基于人工神经网络的高温暴露下钢-混凝土粘结剪切强度预测

《Structures》：Artificial neural network-based prediction of steel-concrete bond shear strength under elevated temperature exposure

　　

摘要

本研究提出了一种基于人工神经网络（ANN）的预测模型，用于估算高温条件下的百分比归一化钢-混凝土粘结应力。该模型利用从已发表文献中收集的393个数据点组成的庞大实验数据库开发而成，纳入了材料属性、几何特征和温度等关键控制参数。所提出的ANN公式展现出高度的预测能力，设计数据集的判定系数为0.97，测试数据集的判定系数为0.89。二阶交互分析表明，纤维类型和体积分数表现出显著的交互效应，而长径比和覆层厚度比等几何比值则表现出相对较弱的交互效应。为实际工程应用，基于累积分布函数为ANN预测提出了预测调优参数，从而实现了对百分比归一化粘结剪应力进行具有可控预测不确定度的保守估计。将基于ANN的预测与现有的半经验设计模型进行了比较，确立了ANN建模作为强大且高效替代方案的地位。所提出的方法在模块化结构系统中具有巨大的应用潜力，在这些系统中，快速的预设计评估、参数优化和可靠稳定性评估至关重要。

引言

暴露于高温环境下的建筑物和基础设施是全球性的重大问题。材料在高温作用下会退化并坍塌。在众多关键材料中，混凝土和钢材对于确保基础设施的稳定性和强度至关重要。然而，高温条件下的行为表现与普通条件下的性能存在显著差异。理解高温对混凝土、钢材以及两者之间粘结的影响，对于设计目的而言至关重要[1]。

混凝土是水泥与骨料的复合材料，具有多种机械和耐久性。钢筋混凝土是全球使用第二广泛的材料。钢-混凝土粘结确保了机械力的有效传递，从而实现组合受力。这种钢筋混凝土中特有的钢-混凝土粘结行为对于承载至关重要[2]。尽管已有大量研究，但混凝土在高温下的复杂热学和力学性能仍是学术研究的重点。当暴露于高温时，混凝土会发生显著变化，影响其含水量、化学组成和物理结构。这些变化主要发生在硬化水泥基体中。混凝土中的物理和化学退化通常表现为开裂、爆裂剥落或两者兼有。这些表现凸显了高温暴露期间热应力、化学反应和材料退化之间的复杂关系[2]。在火灾条件下，混凝土受到各种热致效应的影响，包括水分蒸发、热致开裂、水硬性基体分解以及嵌入钢筋中可能发生的氧化或还原反应[3]。这些过程可能严重损害混凝土的结构完整性，通常导致爆裂剥落和因材料强度降低而造成的承载能力下降。这些响应的多方面特性凸显了全面理解混凝土在火灾情景下行为的迫切需求[4]。

嵌入混凝土中的钢材在暴露于高温时也会经历显著变化[5]。钢材的热膨胀系数低于混凝土，可能导致组合结构中出现不均匀膨胀和内应力[6]。在高温下，钢材膨胀，降低其承载能力并增加其屈曲敏感性。这些变化可能严重影响结构在高温下的稳定性和耐久性[7]。钢筋混凝土结构（RCC）在环境温度条件下的性能和稳定性取决于钢-混凝土界面粘结的强度。已有若干研究探讨了室温下混凝土与钢材之间的粘结强度[1]。然而，文献中专门研究高温对混凝土和钢材粘结强度影响实验数量有限。

在暴露于火灾或高温的钢筋混凝土基础设施中，最显著的损害包括强度降低[8]、开裂形成，甚至混凝土爆裂剥落[9]。同时伴随钢-混凝土粘结强度降低[10]，导致主要组件界面退化[11]。界面退化导致整体结构屈曲，从而引起结构失效[12]。高温条件下混凝土与钢材钢筋之间粘结强度的研究始于20世纪60年代。Diederichs和Schneider[13]进行了实验研究，评估了普通混凝土与光滑圆钢筋和变形钢筋在高温下的粘结性能。他们的工作还包括对先前文献的全面综述。Bing?l和Gül[5]研究了各种冷却技术对混凝土与钢材钢筋在高温暴露后残余粘结强度的影响。在另一项研究中，Ergün等人[11]分析了高温暴露后各种材料参数（如钢筋等级、混凝土抗压强度和钢筋直径）对粘结强度的影响。

本研究解决了在高温条件下预测百分比归一化钢-混凝土界面粘结剪应力的关键空白。尽管已有若干实验研究考察了火灾暴露下粘结强度的退化，但当前预测方法仍主要依赖于半经验公式和简化分析模型，这些模型通常局限于特定的测试配置，无法准确捕捉材料属性、几何特征和热效应之间的高度非线性交互作用。因此，目前缺乏一种能够准确估算广泛参数范围内粘结应力的稳健、通用预测框架。为弥补这一空白，本研究开发了一种基于人工神经网络（ANN）的预测框架，用于估算暴露于高温下的钢-混凝土界面百分比归一化粘结剪应力。从已发表文献中汇编了包含393个数据样本的综合实验数据库，用于训练和验证ANN模型。该模型采用钢材和混凝土的几何与材料属性以及暴露温度作为输入变量，相应的百分比归一化粘结剪应力作为网络输出。与传统的半经验模型不同，所提出的ANN框架有效地捕捉了控制热致粘结退化的复杂非线性交互作用，无需预定义函数关系。本工作的新颖性在于开发了一种通用化、数据驱动的框架，用于预测高温条件下钢-混凝土界面的粘结行为。所提出的框架提供准确且计算高效的预测，特别适用于暴露于火灾的模块化和组合结构系统的快速预设计评估、参数研究、优化和可靠性评估。尽管国际结构耐火设计标准规定在瞬态时间-温度暴露历史下验证耐火性能，但所提出的稳态ANN模型直接作为标准顺序解耦热力学分析流程中的本构粘结退化内核。在实际设计工作流中，首先进行一维或二维瞬态热传热分析或标准化截面等温线映射，以建立混凝土截面的时间依赖温度分布，从中提取目标耐火期限内关键的钢-混凝土界面温度。因此，所提出的ANN模型可以评估该界面温度下的瞬时残余粘结应力，纳入关键的几何约束和纤维增强参数。该预测的局部承载能力直接输入瞬态极限状态校核，以确定满足设计的所需耐火安全裕度。因此，尽管ANN公式基于点温度运行，但其与现有热分析例程的整合弥补了稳态材料表征与瞬态消防安全工程之间的鸿沟，为复杂的非线性有限元拔出模拟提供了计算高效的替代方案。从实际耐火设计的角度来看，ANN旨在作为温度依赖的粘结应力子模型，而非独立的耐火性能评估程序。相应地，所提出的框架在火灾后残余承载能力评估以及预设计和参数研究中具有潜在应用价值。

所提出ANN的适用范围限于本论文作为补充数据提供的393个样本数据库中代表的参数域。边界评估确认在研究范围内预测稳定且物理一致；然而，在训练数据稀疏的边界附近，预测不确定度可能增加。重要的是，ANN不应被视为外推模型，超出训练数据集中观察到的最小值或最大值的预测不应在没有额外实验验证的情况下用于工程应用。建议将数据库扩展到目前代表性不足和边界区域，以提高模型的稳健性和通用性。

章节摘要

混凝土-钢粘结机理与失效模式

变形钢筋上的肋纹通过三个主要组分提供混凝土-钢局部粘结机理：化学黏附、摩擦阻力和机械锁固[14]。平面钢筋之间的粘结主要属于化学黏附和摩擦类型，尽管由于钢筋表面粗糙度存在一些机械锁固[15]、[16]。另一方面，机械锁固是控制变形钢筋粘结强度的主要机理，而化学……

影响粘结强度的参数

已有大量研究广泛探讨了影响粘结强度的因素，先前研究已确定若干关键参数影响粘结发展。这些包括混凝土的力学性能[24]、[25]、[26]、[27]，钢筋周围的混凝土覆层[25]、[26]、[27]、[28]，约束的存在和有效性[25]、[29]、[30]，所用钢筋的类型[21]、[29]，钢筋直径[24]、[28]、[31]，锚固长度[24]……

前馈神经网络

结构工程中的非线性和多维问题可以有效使用人工神经网络（ANNs）进行近似，即使没有对底层控制机理的明确了解。机器学习在该领域的应用包括预测结构响应[40]、[41]、[42]、[43]、[44]、[45]、[46]、[47]、[48]、[49]，系统辨识[50]、[51]、[52]、[53]、[54]、[55]、[56]，最优工程设计[57]、[58]、[59]，以及结构健康……

研究方法

使用两种误差最小化算法开发并训练了ANN模型：Levenberg-Marquardt算法（LM；[67]）和贝叶斯正则化（BR；[68]），在MATLAB中实现[66]。采用迭代训练过程来确定最准确的ANN配置，网络重新训练了250次。每次迭代涉及网络参数（即权重和偏置）的唯一初始化，并将可用数据集随机划分为训练集……

提出的基于ANN的模型

本研究提出了一种基于ANN的预测模型，用于估算钢材与混凝土之间的百分比归一化粘结应力（τult.）。后续各小节详细说明了ANN架构的优化、训练（即设计集）的适当数据集规模选择、输入-输出映射的制定，以及对各自性能的评价。

总结与结论

本研究提出了一种基于人工神经网络（ANN）的预测公式，用于估算高温条件下混凝土-钢粘结强度。从现有文献中汇编了包含393个粘结试验结果的全面实验数据库，涵盖八个控制参数，即温度、混凝土抗压强度、纤维类型、纤维体积分数、覆层厚度比（c/d）、长径比（l/d）、试验龄期和……

符号表

ANN 人工神经网络
BR 贝叶斯正则化
CDF 累积分布函数
fck 抗压强度
ITZ 界面过渡区
LM Levenberg-Marquardt算法
MAE 平均绝对误差
mse 均方误差
PTP 预测调优参数
RCC 钢筋混凝土结构（RCC）
ST Sobol全阶敏感性指数（ST）
l/d 长径比
c/d 覆层厚度比
t 试验龄期（天）

符号
b 偏置
d 钢筋直径
Ft 纤维类型
f1 双曲正切S形激活函数
f12 线性激活函数

作者贡献声明

Mushtaq Ahmad Rather：撰写-审阅与编辑，可视化，监督，资源，方法论。
Tabasum Ali：撰写-原稿，可视化，软件，方法论，形式分析，数据管理，概念化。
Asif H. Shah：撰写-审阅与编辑，可视化，监督，资源，项目管理，方法论，数据管理，概念化。

资助

作者声明本研究、作者身份和/或本文的出版未披露任何财务支持。

利益冲突声明

作者声明他们没有已知可能影响本文所报告工作的竞争性财务利益或个人关系。

Tabasum Ali|Mushtaq Ahmad Rather|Asif H. Shah