文献精读
Constr. Build. Mater.：在严寒地区增强混凝土的耐久性：基于机器学习的配合比优化
背景介绍
混凝土是一种广泛应用于建筑和基础设施工程中的重要建筑材料。混凝土耐久性（CD）是评估混凝土性能和使用寿命的关键指标。随着社会经济的不断发展和人们对可持续发展的要求不断增加，对混凝土耐久性的研究和优化成为了建筑工程领域的热点问题。严寒地区的混凝土由于受到离子侵蚀、干湿变化、低温冻融等多种因素的影响，容易出现路面破损和裂缝，从而导致混凝土结构耐久性不足，无法达到设计寿命。通过优化混凝土材料的配合比，可以改善混凝土的抗冻性和防水性，提高其耐久性。传统的混凝土耐久性评估方法主要依赖于工程师的试验和一些经验公式，这些方法存在着成本高、周期长、效率低、试验数据有限等不足之处。而随着计算机技术的迅速发展，基于人工智能（AI）的混凝土耐久性预测和优化方法逐渐引起了广泛关注。
研究出发点
目前，虽然有许多方法可以改善混凝土的耐久性，但在混凝土原材料的配合比优化方面仍存在许多困难和挑战。传统的经验公式和模拟软件方法在考虑多个耐久性因素和经济成本之间的权衡时存在一定的局限性。因此，需要一种高效且智能化的方法来进行混凝土配合比的优化设计，以实现耐久性和经济成本之间的最佳平衡。
全文速览
佛山大学陈嘉健课题组旨在解决寒冷地区混凝土结构的耐久性问题。基于机器学习技术，提出了一种用于改善严寒地区混凝土耐久性的智能预测和优化模型。通过采用随机森林（RF）模型和NSGA-II进行优化，得到了一组最优解的帕累托前沿，从中选择最接近理想解的优化方案作为决策建议。研究通过以东北地区振兴计划中的一项重要公路工程项目为例进行验证。总之，所提出的RF-NSGA-II智能混合优化算法可以提高严寒地区混凝土的耐久性，同时实现混凝土的经济和环保生产，以提高工程安全性能和使用寿命。相关论文以“Enhancing the durability of concrete in severely cold regions: Mix proportion optimization based on machine learning”为题，于2023年发表在Construction and Building Materials上。
图文解析
（1）数据采集和指数筛选
本文通过对寒区混凝土中的CD问题进行研究，发现混凝土的抗冻性和防渗性主要由相对动态弹性模量（RDEM）和氯离子渗透系数（CIPC）来表征。因此，模型的输出变量确定为RDEM和CIPC。文献综述的基础上，初步建立了包含12个输入参数的指标体系，包括材料、配合比和不利影响因素。其中，材料包括水泥比例、减水剂比例、粉煤灰比例、粗骨料比例、细骨料比例和用水量；配合比包括水胶比、砂石比和骨料粒径分布；不利影响因素包括含泥量、细长颗粒含量和吸水性能。通过80组正交实验和20组工程试验数据，共得到100组数据样本。经过粒子群优化算法对RF模型的关键参数ntree和mtry进行了优化，并确定了最优参数设置为ntree=600和mtry=4。在训练集中计算了各混合比参数的重要性（图1），并按重要性从高到低排序，结果显示水胶比、水泥含量、骨料含量等参数的重要性较大，泥含量、吸水率、针状颗粒含量等参数的重要性较小，因此在实际项目中应优先考虑较高重要性的原材料混合比参数，如水胶比、水泥含量、粗骨料和细骨料含量。为了提高RF模型的预测精度，使用递归特征消除法（RFE）方法去除对混凝土抗冻性和防渗性影响较小的特征，并通过递归步骤重复操作，直到选取到最佳特征子集（图2）。结果表明，在预测CIPC和RDEM时，最佳特征数量为6个，对应的验证误差最小，RMSE最小、R2最大。结合重要性测量结果，最佳特征组合包括水胶比、水泥含量、粗骨料含量、细骨料含量、高效减水剂和粉煤灰含量等6个变量。
图1 每个指数的重要性排名：(a) CIPC；(b) RDEM
图2 不同变量组合的RMSE和R2的变化趋势：(a) CIPC；(b) RDEM
（2）预测模型的建立和评估
本文通过选取了经过优化的特征组合以及CIPC和RDEM作为输入和输出变量，随机从原始样本集中选取80组数据构建了 RF模型的训练样本，剩余的20组数据作为测试样本。通过R语言代码建立了训练模型，并在测试集上进行了验证。从图3和图4可以看出，训练集和测试集上的RDEM和CIPC的预测结果如下所示。
(1) RF模型能够准确预测CIPC。从图3可以看出，RF模型在训练样本上的拟合值与实际值非常接近，RMSE为0.098，R2为0.9548，表明模型已经充分学习了输入变量和输出变量之间的关系。在测试集上预测的CIPC值与实际值吻合较好，RMSE为0.087，R2为0.9520。
(2) RF模型对于相对动态弹性模量具有较高的预测准确性。从图4可以看出，模型在训练集和测试集上预测的RDEM值与实际值非常接近。训练集上的RMSE为0.063，R2为0.9444，测试集上的RMSE为0.056，R2为0.9673，表明模型的预测准确性较高。
(3) RF预测模型具有高精度和良好的泛化性能，其拟合的非线性预测函数可以准确描述变量之间的非线性关系。这个结论在其他学者的研究中也得到了证实。
综上所述，本研究通过构建基于RF模型的预测模型，选取合适的特征组合和输入输出变量，实现了对CIPC和RDEM的准确预测。该模型在训练集和测试集上都表现出较高的预测准确性和泛化性能，证明了其高精度和良好的预测能力，为进一步研究和应用提供了可靠的基础。
图3 CIPC的预测：（a）训练集样本；（b）测试集样本
图4 RDEM的预测：（a）训练集样本；（b）测试集样本
（3）多目标混合比例优化方案
本文通过多目标优化方法，结合NSGA-II算法，对混凝土的材料参数进行优化，以实现混凝土在保证耐久性的同时，尽可能降低经济成本的目标。在项目实际情况的基础上，设置了各个材料参数的约束条件，并采用52.5级普通硅酸盐水泥、粉煤灰和减水剂来改善混凝土的强度和耐久性。经过NSGA-II的多目标优化计算，得到了包含40组最优解的帕累托前沿解集合（图5）。研究发现，混凝土的经济成本与相对动态弹性模量和渗透性有着负相关和正相关的关系。在多目标优化过程中，通过选择经济成本最低的方案，可以在保证混凝土的抗冻性和防渗性的同时，达到相对满意的效果。通过对优化结果与实验结果的对比发现，优化后混凝土的性能与实验值存在一定的差距，但差距较小。因此，本研究提出的基于RF-NSGA-II方法的多目标优化模型对混凝土的性能参数优化具有一定的准确性。通过本研究，可以为混凝土工程项目在多目标优化中的材料参数选择提供参考，并在实际工程应用中具有一定的实用价值。
图5 多目标最优帕累托组合图
总结
本论文通过对严寒地区混凝土的服务环境进行研究，发现气候、环境侵蚀以及材料性能恶化等环境因素对混凝土结构造成不良影响，导致混凝土耐久性不足。这不仅会影响混凝土的正常使用，缩短道路和桥梁的使用寿命，还会增加修复成本，严重浪费资源。基于现有研究和相关数据，本论文创新性地提出了一种多目标RF-NSGA-II优化方法，用于高性能混凝土，建立了RF指标重要性排序和筛选、RF耐久性预测和RF-NSGA-II优化的具体方法和流程，并得到了最优的混凝土材料配比方案。以一国家重点公路工程为例，验证了该施工方法的可行性。研究结果表明：
（1）RF特征筛选可以有效识别重要的材料参数因素，包括粗集料含量、细集料含量、粉煤灰含量、水泥含量、水胶比和高效复合减水剂含量。这些关键因素在实际混凝土材料配比优化设计中可以得到优先考虑。
（2）经过筛选的RF在预测混凝土抗渗性和抗冻性方面的准确性显著高于未筛选的预测算法。基于RF的氯离子渗透性预测模型的RMSE和R2分别为0.087和0.952，基于RF的弹性模量抗冻性预测模型的RMSE和R2分别为0.056和0.9673。
（3）RF-NSGA-II方法在多目标优化问题上具有优秀的优化效果。针对混凝土的耐久性指标和成本，优化后的混凝土氯离子渗透性系数降低了47.9%，弹性模量增加了4.07%，成本降低了2.4%。因此，本文提出的方法可以应用于实际工程，提高混凝土材料配比优化设计的精确性和效率。
本期编者简介
翻译：
程博远 博士生 深圳大学
审核：
罗盛禹 硕士生 深圳大学
排版：
唐 懿 硕士生 深圳大学
本期学术指导
何 闯 博士后 深圳大学
龙武剑 教 授 深圳大学
文献链接：
https://doi.org/10.1016/j.conbuildmat.2023.130644
联系客服
