混合机器学习与物理建模框架：用于基于气候因素的混凝土收缩损伤风险分区

《Engineering Applications of Artificial Intelligence》：Hybrid machine learning and physical modeling framework for climate-driven risk zonation of concrete shrinkage damage

混凝土收缩预测与气候风险评估研究提出融合物理信息先验与机器学习的混合模型框架，通过优化XGBoost算法实现收缩演化预测（R2=0.92），结合多物理场有限元模拟建立应变-应力-损伤演化机制，确定四个临界应变阈值划分风险等级，并构建涵盖历史数据与2050年气候情景的全国五级风险分区图，揭示高原及西北盆地显著脆弱性，预测中等至高风险区域占比达31.1%。

　　

胡桥松|邹杜健|白志琳|刘铁军|周翱

哈尔滨工业大学智能土木与海洋工程学院，中国深圳市，518055

摘要

在非平稳气候条件下，混凝土的收缩现象对低压、干旱和高海拔地区的基础设施的耐久性和使用寿命构成了日益严重的威胁。现有模型忽略了多环境因素的相互作用以及气候驱动的风险演变。本研究提出了一种混合建模与评估框架，该框架将基于物理原理的经验先验与优化的机器学习方法相结合，用于预测混凝土收缩的演变过程、量化结构风险，并绘制未来气候情景下的时空脆弱性分布图。通过融合精心整理的收缩数据库、高分辨率气象预测数据，并通过滤波和三次插值进行降尺度处理，将CEB-FIP 2010收缩公式及气压参数纳入特征工程中，构建了温度-湿度-压力耦合的预测模型。通过系统性的超参数调整和基于物理的迁移学习优化了XGBoost模型，该模型在预测混凝土收缩演变方面的R2值为0.92，与三因素实验的独立数据相比，长期预测偏差控制在15%以内。为了将材料层面的收缩效应转化为结构风险，对一个代表性的钢筋混凝土桥墩进行了多物理场有限元模拟，其中考虑了特征应变收缩场和钢筋约束，以模拟应变-应力-损伤的演变过程。研究确定了四个关键的归一化应变阈值，用于区分收缩的起始阶段、稳定扩展阶段、加速扩展阶段以及贯穿裂缝阶段。基于历史数据和中期未来气候情景，绘制了中国范围内的五级风险分区图，结果显示高原和西北盆地地区的脆弱性尤为显著。以C60混凝土作为典型案例进行研究，结果表明到2050年，中高风险区域面积增加了65%，中国有31.1%的领土被归类为中等至高风险区域。

引言

作为现代基础设施的基石，混凝土的尺寸稳定性对其结构寿命至关重要。美国土木工程师协会（ASCE）报告称，美国28%的桥梁存在结构缺陷或已过时，而亚洲地区的混凝土基础设施维护成本超过了2万亿美元（Li和Li，2019年）。气候变化加剧了这些挑战：耦合模型对比项目（CMIP）第5和第6阶段的预测显示，干旱地区的年平均气温正在上升，同时5月至10月的月降水量正在减少（Wang等人，2024a）。在过去六十年中，IPCC极端事件特别报告中提到的全球74%的地区在亚季节时间尺度上经历了干旱强度的加速（Yuan等人，2023年）。这种气候变化加剧了混凝土的耐久性挑战，尤其是在极端环境条件下，收缩引起的裂缝问题更加严重。

从环境响应的角度来看，混凝土收缩是一个时间依赖的多物理过程（Bian等人，2024年；Lura等人，2001年；Li等人，2020年）。Bazant理论框架指出，当孔隙湿度从0.9降至0.6时，扩散系数会减少10-20倍（Ba?ant和Najjar，1972年）。长时间处于高温和低气压环境中会使得内部相对湿度降至50-60%，显著降低了Fick扩散定律的适用性（Wang等人，2024b）。在高海拔地区，低气压（<60 kPa）与干燥环境的协同作用通过减少化学结合水含量和增加孔隙率加速了强度的衰减（Chu等人，2024a；Chen等人，2023年；Qin和Hiller，2016年）。当前的研究更多关注材料属性本身对混凝土收缩的影响，如基质密度、胶凝材料与骨料含量、胶凝材料与骨料类型、水胶比、矿物外加剂等（Fan等人，2024年；Hilloulin和Umunnakwe，2024年）。这些参数通过影响混凝土的密实度、强度和孔隙率来影响其收缩程度。然而，气候与材料的相互作用超出了传统经验模型的预测能力，这些模型在极端条件下会出现较大误差，且无法考虑动态的气候变化（Liu等人，2024年；Huang等人，2021年）。基于环境和材料参数的现有设计方法无法保证混凝土在面对未来气候变化带来的恶劣环境时，其收缩损伤仍能控制在可接受的范围内。目前存在三个关键的科学障碍：（1）传统经验模型的参数体系通常较为僵化，且是在标准条件下校准的，无法充分适应气候变化下的动态环境边界，因此缺乏非平稳气候响应机制（Smith和Matthews，2015年；Wang等人，2016年；Zhang等人，2025年）；（2）现有模型通常孤立地处理环境因素，导致对极端环境耦合效应的量化不足，从而忽略了温度-湿度-压力的关键协同作用（Ford和Labosier，2017年；Ghanooni-Bagha等人，2020年；Chu等人，2024b；Rong等人，2024年）；（3）预测框架中缺乏随时间变化的材料属性表征，混凝土的响应会随着气候变化而演变，限制了实时气候驱动的耐久性演化建模（Malami等人，2024年；Chen等人，2021年；Wang等人，2021年）。

机器学习（ML）推动了收缩预测范式的转变，从经验模型转向数据驱动的框架（Li等人，2022年；Bal和Buyle-Bodin，2013年；Nguyen等人，2020年；Han等人，2020年）。Hilloulin等人（Hilloulin和Tran，2022年，2023年）系统研究了含有辅助胶凝材料（SCMs）和超强吸水聚合物（SAPs）的混凝土的自收缩现象，采用了四种ML算法进行评估，通过SHAP分析发现XGBoost算法表现最佳，优于改进的B4和CEB MC模型。Shen等人（2023年）为碱激活矿渣-粉煤灰地质聚合物开发了ML模型，六种算法的R2值均达到0.90，有效替代了繁琐的实验流程。Li等人（2024年）采用数据驱动的方法研究了超高性能混凝土（UHPC），发现梯度提升（GBDT）算法表现优异（R2=0.89，11个参数）。Zhu等人（Zhu和Wang，2021年）利用卷积神经网络（CNNs）进行长期蠕变-收缩预测，与传统B4模型相比，R2值为0.97，RMSE降低了42%。Yang等人（2024年）采用四种ML算法预测了中国海域不同深度区域的钢材腐蚀速率，取得了最佳性能R2=0.92。

尽管机器学习具有强大的预测能力，但其应用于科学问题时仍面临挑战，如数据有限时的过拟合问题、缺乏物理可解释性以及泛化能力不足（Wendner等人，2015年；Unbiased Statistical Comparison of Creep，2008年）。本研究通过结合物理和机器学习的混合框架解决了这些问题。通过迁移学习整合基于物理原理的CEB-FIP 2010模型先验，提供了物理约束，降低了非物理预测的风险。主要进展包括：（1）利用高分辨率气象数据（通过三次样条插值提高至0.1°）并分析近地表温度、相对湿度和大气压力的耦合效应；（2）修改XGBoost算法以纳入时间依赖的材料属性，增强极端条件下的环境特征相互作用；（3）模拟典型桥墩组件的收缩-应变-损伤过程，并建立基于关键应变阈值的五级风险分区系统。这种方法提出了气象驱动因素与耐久性演变之间的动态耦合机制，提高了在非平稳气候条件下的预测准确性。

章节摘录

混凝土收缩测试数据库

本研究使用的混凝土收缩测试数据来源于Bazant（Bazant和Li，2008年）整理的数据库。该数据库包含1863条关于不同环境和材料条件下混凝土收缩行为的数据。数据集中关注的关键参数如表1所示。在材料组成方面，每个实验记录了混凝土试样的关键细节，包括几何参数、材料组成、养护条件以及收缩情况

滤波与降尺度处理

使用中值滤波器和高斯滤波器（Perona和Malik，1990年）来减少气象数据中的噪声并平滑数据，然后通过三次插值（Clements，1990年）进行降尺度处理以提高分辨率。中值滤波是一种有效的气候数据去噪方法，尤其适用于温度、湿度和压力数据中的脉冲噪声。气候数据受到多种因素的影响，如测量误差和环境变化，从而导致异常值的出现

演变趋势

对中国大气参数三十年变化的预测显示，近地表温度、相对湿度和大气压力呈现出明显趋势（见图5）。到2050年，与2020年的冬季和夏季相比，温度显著升高，北方寒冷地区的收缩现象加剧，表明极端高温事件更加频繁。湿度分析显示区域差异明显，冬季月份的湿度变化较小

结论

本研究通过四个关键贡献建立了基于气候驱动的混凝土收缩预测框架：

(1)

CMIP6-SSP2-4.5的预测显示中国西北地区的干旱化趋势加剧。近地表温度和相对湿度呈现耦合变化趋势，而大气压力变化不大，这为混凝土收缩的预测和评估提供了依据。

(2)

优化的XGBoost模型的R2值为0.92，优于传统模型

CRediT作者贡献声明

胡桥松：撰写——审稿与编辑，撰写——初稿，正式分析，数据整理。邹杜健：撰写——审稿与编辑，监督，方法论研究，资金获取。白志琳：可视化处理，验证，方法论研究，概念构思。刘铁军：资源调配，资金获取，概念构思。周翱：监督，项目管理，资金获取。

利益冲突声明

作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

本研究得到了以下机构的财政支持：国家自然科学基金“中国杰出青年学者”项目（项目编号：52025081），国家自然科学基金联合基金（项目编号：U23A20658），国家自然科学基金（项目编号：52378228），深圳市科技创新计划（项目编号：KQTD20210811090112003），以及深圳市教育科学“十四五”规划2023年度项目（项目编号：rzn23006）。