混凝土组成对疲劳寿命的影响：基于机器学习的失效循环次数预测

《International Journal of Fatigue》：Influence of concrete composition on fatigue life: Machine learning-based prediction of the number of cycles to failure

　　

混凝土组成对疲劳寿命的影响：基于机器学习的失效循环次数预测
•包含18种混凝土组成、241次疲劳试验的广泛数据库。
•基于应变发展估算run-out（未失效）试件的失效循环次数。
•考虑混凝土组成的相关性分析。
•考虑混凝土组成的疲劳寿命实际预测。
•评估混凝土组成特征及其对疲劳寿命的影响。

随着环境可持续电力需求的增长，风力发电机组结构需承受超过10⁷次循环荷载，混凝土疲劳性能成为设计控制因素。现代高强混凝土（High-Strength Concrete, HSC）强度更高，但现行设计规范如Model Code 1990/2020和Eurocode 2对高强与超高性能混凝土在疲劳验算中采用了更高的分项安全系数，主要原因是试验所得的失效循环次数离散性大，且一定程度上假设高强混凝土更易疲劳。然而，这种方法未区分试验条件和混凝土组成对疲劳性能的影响，现行S-N曲线也未考虑这些因素，可能导致某些组成的设计过度保守，限制高强混凝土的高效利用。文献中关于混凝土组成对疲劳寿命影响的结论并不一致，且缺乏大规模、系统性的数据和数据驱动预测方法。为此，研究人员建立了包含18种高强混凝土组成、241次疲劳试验的数据库，并采用相关性分析与机器学习方法，研究混凝土组成对疲劳寿命的影响并预测失效循环次数。

研究人员汇编了来自Leibniz University Hannover和TU Dresden于2015-2025年开展的241次高强混凝土圆柱体（300mm×100mm）循环压缩试验数据，涉及18种组成。对达到预设run-out（未失效）水平的试件，基于应变发展采用Sparks-Menzies关系（一种通过应变率估算疲劳寿命的经验方法）估算疲劳寿命，并以中位绝对偏差剔除异常值（保留195次试验）。为统一比较，以Model Code 2020的S-N曲线为基准将对数疲劳寿命归一化。使用Spearman秩相关系数（Spearman's rank correlation coefficient）分析组成变量与归一化疲劳寿命的关系。机器学习采用六种方法（决策树、线性回归、高斯过程回归、支持向量机回归、人工神经网络、LSBoost集成），输入为组成特征、混凝土龄期和应力水平，输出为对数失效循环次数；采用80:20训练测试分割，重复30次，并用两种未参与建模的组成进行验证。

**3. 数据库与数据预处理**
基于241次试验的数据库分析显示，不同应力水平下的失效情况差异明显，S_min/S_max=0.05/0.70时40/52个试件失效，而0.05/0.60和0.20/0.70出现大量run-out。与规范S-N曲线对比，Model Code 1990倾向于低估疲劳寿命，而Model Code 2020与实验数据总体一致性更好。通过估算run-out试件的疲劳寿命，进一步揭示了组成间疲劳寿命的显著差异。

**4. 相关性分析与特征选择**
Spearman相关分析表明，水泥含量和总粘结剂含量与归一化疲劳寿命呈较明显的负相关；石灰岩作为粗骨料、8/16骨料比例较高以及等效水胶比增大与较高的疲劳寿命相关；混凝土龄期也与疲劳寿命正相关。试验条件方面，试件垂直度、平面度以及试验机类型对归一化疲劳寿命无显著影响，而最大温度变化增加时疲劳寿命降低。但需要注意，组成变量间存在强相关性（如石英含量与0/1骨料比例ρ=0.99），因此观察到的关联不能视为独立因果效应。

**5. 基于机器学习的疲劳寿命预测**
六种模型中，人工神经网络（Artificial Neural Network, ANN）和LSBoost集成模型在测试集上表现最佳，R²分别为0.906和0.941，误差也较低。特征重要性分析显示，最大与最小应力水平是最重要的输入特征，混凝土龄期也具有较高重要性。通过逐步加入特征集比较，证实混凝土组成在应力水平和龄期之外提供了额外的预测信息。使用两种未参与建模的混凝土组成进行验证时，模型预测的疲劳寿命与实验值吻合良好，表明在数据库参数范围内，基于组成预测疲劳寿命具有可行性。

研究人员在讨论中指出，混凝土组成对疲劳寿命有可测量的影响，但由于组成成分相互制约，无法将效应简单地归因于单一变量。现有S-N曲线不考虑组成，导致不同组成混凝土的安全裕度不同。机器学习模型在数据库范围内预测准确，但不能可靠外推到组成差异很大的混凝土。研究结论归纳如下：对于所研究的高强混凝土，Model Code 1990的S-N曲线低估了疲劳寿命，而Model Code 2020更准确；温度变化受应力水平和试验持续时间显著影响，试件温度升高会导致疲劳寿命降低；疲劳寿命与平均抗压强度、密度和试件制备无显著相关，但与试件龄期正相关；疲劳寿命与混凝土组成相关，较高石灰岩骨料比例、较高粗骨料（8/16）比例和较高等效水胶比与较高疲劳寿命相关，而较高水泥和粘结剂含量以及使用花岗闪长岩和斜长岩作为粗骨料与较低疲劳寿命相关，但这些是统计关联而非独立因果效应；基于所建数据库，机器学习方法能够预测失效循环次数，从而在已知组成和应力水平下估算疲劳寿命；混凝土龄期是除应力水平外的重要预测因子，但其独立贡献无法与组成效应完全区分；ANN和集成方法结合贝叶斯超参数优化取得了最佳预测性能。