《Structural Safety》:A transfer learning approach to predict corrosion-induced concrete cracking based on steel weight loss distributions
编辑推荐:
基于钢筋重量损失(SWL)分布预测锈蚀引起混凝土开裂的模型对于评估钢筋混凝土(RC)结构退化及实现主动维护至关重要。数据驱动模型为预测锈蚀引起混凝土开裂提供了一种高效替代方案,能够实时监测锈蚀损伤并在噪声数据中捕捉开裂机理。然而,开发此类数据驱动预测模型受限于
基于钢筋重量损失(SWL)分布预测锈蚀引起混凝土开裂的模型对于评估钢筋混凝土(RC)结构退化及实现主动维护至关重要。数据驱动模型为预测锈蚀引起混凝土开裂提供了一种高效替代方案,能够实时监测锈蚀损伤并在噪声数据中捕捉开裂机理。然而,开发此类数据驱动预测模型受限于有限的实验样本以及不同锈蚀速率下的领域漂移。研究人员提出一种迁移学习框架来解决这些挑战。该方法首先通过Karhunen-Loève(KL)变换对SWL数据进行去噪并提取主成分。然后,迁移成分分析(TCA)在学习的特征空间中对齐不同锈蚀速率下SWL与开裂状态的联合概率分布,其中K-近邻(KNN)作为基分类器。所提出的KL-TCA模型使用现有实验数据集进行验证,预测准确率达到87.32%,显著优于基于TCA和直接KNN的基线方法。随后,构建一个集成学习模型,整合不同配置的KL-TCA基学习器,在验证集上实现93.89%的预测准确率,超过任何单个KL-TCA基学习器。此外,定义一个损伤指标,即开裂截面百分比,并通过KL-TCA方法计算。考虑SWL分布的不确定性,进行蒙特卡洛模拟以建立损伤指标与平均SWL之间的关系。该关系允许利用易获取的开裂观测对锈蚀严重程度进行初步筛查,支持及时的锈蚀评估和维护决策。
**论文解读:基于迁移学习的钢筋重量损失分布预测锈蚀引起混凝土开裂**
**研究背景与问题**
锈蚀引起开裂是钢筋混凝土(RC)结构耐久性的主要威胁,它暴露钢筋至氯离子侵入,加速锈蚀并削弱结构整体性。预测锈蚀引起混凝土开裂对于评估结构退化及实施主动维护至关重要。现有预测模型包括经验模型和基于物理的模型(如有限元法、相场法),但前者直接关联覆盖层、钢筋直径等因素估算开裂时间,后者基于钢筋重量损失(SWL)分布预测开裂。然而,这些模型在结构健康监测中计算成本高,不适用于实时更新。数据驱动模型提供了高效替代,能捕捉开裂机理并处理噪声数据,但其开发受限于实验样本稀缺以及不同锈蚀速率下的领域漂移(domain drift)。领域漂移表现为SWL与开裂状态联合分布在不同锈蚀速率下的差异,导致通用预测模型难以构建。因此,研究人员提出一种基于迁移学习的KL-TCA方法,以有效利用有限实验样本,解决领域漂移问题,提升锈蚀引起开裂的预测精度。该论文发表在《Structural Safety》。
**关键技术方法**
研究人员采用以下主要关键技术方法:1. **Karhunen-Loève(KL)变换**:对原始SWL分布序列进行去噪和降维,提取主成分分布特征(DFs),降低输入维度。2. **迁移成分分析(TCA)**:基于多领域适应策略,通过最小化最大均值差异(MMD)学习一个特征空间,对齐不同锈蚀速率下SWL与开裂状态的联合概率分布。3. **K-近邻(KNN)**:在降维后的特征空间中作为基分类器,基于局部邻域结构预测开裂状态。4. **集成学习**:整合960个不同超参数配置(如影响范围d、主成分数N
eff、特征空间维度r、近邻数K)的KL-TCA基学习器,通过逻辑回归(sigmoid层)加权融合输出。5. **蒙特卡洛模拟(MCS)**:考虑SWL分布的随机场不确定性,建立损伤指标(开裂截面百分比)与平均SWL之间的关系。样本数据来源于Xin等[41]的实验,包括五根RC梁在不同电流密度(10、50、100、200、500 μA/cm
2)下锈蚀,共3360个点对点SWL测量值及对应的开裂状态。
**研究结果**
**2.1 领域漂移问题在锈蚀引起混凝土开裂预测中**:通过SWL分布谱分析,发现不同电流密度下SWL边际分布p(w)存在显著领域漂移:低电流密度(I<50 μA/cm
2)下SWL分布以低频特征为主(点蚀),高频特征随电流密度增加而增强。条件分布p(y|w)同样显示漂移:高电流密度下开裂状态几乎全为开裂(腐蚀产物疏松,延迟开裂),低电流密度下相同的SWL更易引起开裂(腐蚀产物致密,膨胀压力大)。这证实了联合分布漂移的存在。
**2.2 实验样本描述以说明锈蚀引起开裂的领域漂移**:实验样本来自Xin等[41],按电流密度分为五个源域(S1~S5,对应CD10~CD500)和一个目标域(T1,CD10)。测试龄期设计以达到目标平均SWL(见表1)。SWL分布通过X射线成像和图像处理技术以5 mm间隔测量,共168个测点。结果揭示了领域漂移的具体表现。
**2.3 一种预测锈蚀引起混凝土开裂的迁移学习方法**:提出KL-TCA方法,先使用KL变换提取SWL主成分,再通过多领域TCA在特征空间对齐所有领域的SWL分布(最小化MMD)。优化目标为寻找变换矩阵A,使得压缩后的低秩表示中不同领域的MMD最小。该投影使得特征空间中样本域间对齐、裂/未裂样本可分离。
**2.4 KNN作为基分类器**:在KL-TCA投影后的r维特征空间中,KNN基于样本距离投票预测开裂状态。KNN与KL-TCA兼容,利用局部邻域结构有效处理异质分布。
**2.5 KNN的集成学习方法**:集成960个不同超参数(d, N
eff, r, K)的KL-TCA基学习器,通过梯度下降法优化逻辑回归权重。集成模型在验证集上达到93.89%准确率,高于任何单个基学习器(最高93.61%),尤其显著提升未开裂样本预测精度(96.12%)。边际效应分析显示:d增大提升准确率,N
eff过滤过多信息降低准确率,r>10后边际效益递减,K增大适度提升精度但过大可能平滑局部差异。
**2.6 锈蚀引起开裂的损伤指标及其与锈蚀水平的关系**:定义损伤指标d
crack为开裂截面百分比。基于MCS(3000个随机场,平均SWL从2%到15%),使用KL-TCA方法计算d
crack与平均SWL w
0的关系。结果显示:KL-TCA方法的d
crack-w
0曲线低于直接KNN和TCA方法,避免过估开裂。d
crack在w
0=5%时约为15%,对应性能加速退化临界点,可作为预防性维护干预的最佳时机。
**3.1 模型设置**:使用实验样本,目标域为CD10,源域为S1~S5。通过遍历参数组合生成960个KL-TCA模型用于集成学习。
**3.2 KL-TCA方法验证**:KL-TCA平均准确率87.32%(高于TCA的77.44%和直接KNN的58.25%),且对未开裂样本准确率高达89.98%,减少误判。性能提升归因于KL去噪降维使核矩阵秩更高、特征值谱更分散,增强特征空间样本可分离性;而TCA依赖原始高维数据导致核矩阵低秩、可分离性弱。研究还发现准确率随r增加先升后趋平稳(r=10时达瓶颈)。
**3.3 集成学习模型验证**:集成学习在验证集上准确率93.89%,对裂和未裂样本准确率分别为90.91%和96.12%。训练过程中基学习器权重逐渐稳定,高准确率基学习器获得更大正权重。
**3.4 不同锈蚀水平下的锈蚀引起开裂百分比**:KL-TCA方法预测的d
crack-w
0曲线与Suo和Stewart[33]的预测一致(100年服务期内d
crack<40%)。d
crack随w
0增加呈高斯型S形特征,w
0约为5%时加速开裂。
**3.5 领域分离策略对KL-TCA性能的影响**:1)多领域适应(对每个源域分别计算MMD)优于单领域适应(合并源域),平均准确率高13.01%,避免大源域主导导致特征模糊。2)排除CD10的源域(仅CD50~CD500)准确率78.84%,但数据获取周期从419天缩短至232天;仅用CD200和CD500准确率仅66.70%,周期89天。表明需平衡数据可用性与领域漂移程度。3)与数据增强(加高斯噪声生成伪样本)相比,KL-TCA平均准确率87.32%高于数据增强的83.74%,后者仅引入同分布信息,而KL-TCA有效利用不同速率的跨域信息。
**总结讨论与结论**
讨论部分指出:KL-TCA模型的预测性能与训练样本质量和多样性密切相关。现有数据库限于早稻田大学的腐蚀试验,未包含其他实验室、不同结构细节或原位结构的数据,未来需用新腐蚀试验验证模型在外分布数据上的鲁棒性。集成学习虽增加计算成本,但提供额外稳定性和可靠性。此外,SWL数据需高空间分辨率(5 mm间隔)获取,现有文献中SWL常为大区域平均值,数据格式不匹配挑战外部验证。
**结论**(翻译原文):
1. 通过对SWL空间分布应用KL变换,观察到不同锈蚀速率下SWL分布的边际密度存在显著领域漂移。具体而言,低电流密度锈蚀的RC梁中SWL分布显示出更突出的低频特征,代表钢筋沿线的点蚀,而在高电流密度锈蚀的RC梁中未观察到这些特征。
2. 给定SWL时开裂状态的条件密度在不同锈蚀速率下表现出领域漂移。具体而言,在低电流密度下,相似的SWL值更可能引起混凝土开裂。SWL边际分布和开裂状态条件密度的这种领域漂移导致其联合分布发生偏移,使得开发用于预测锈蚀引起混凝土开裂的通用模型变得复杂。
3. 为解决联合分布的领域漂移,所提出的KL-TCA方法将不同锈蚀速率下的样本视为不同领域。该方法应用KL变换减少原始SWL序列的噪声和维度,随后进行基于TCA的多领域适应。处理后的样本在SWL特征空间中使用KNN进行分类。结果表明,KL-TCA方法在特征空间中有效对齐了锈蚀引起混凝土开裂样本,从而更好地分类开裂和未开裂样本。与直接KNN和TCA两种基线方法相比,所提方法显著提高了验证集的准确率,尤其增强了未开裂样本的预测精度。这一改进对于提升锈蚀RC梁状态评估的可靠性具有重要意义。
4. 研究人员提出一个集成学习框架,使用不同配置的KL-TCA模型作为基分类器。所提方法在验证集上达到93.89%的总准确率,优于任何单个KL-TCA基分类器的准确率。集成学习方法在预测未开裂样本方面也表现出显著改进,这对于锈蚀RC结构的生命周期评估尤为关键。
5. 损伤指标定义为覆盖混凝土中开裂截面的百分比,并通过KL-TCA方法计算。进行MCS以建立损伤指标与平均SWL之间的关系,考虑SWL分布的不确定性。结果表明,KL-TCA方法有效降低了低估损伤指标的风险。所推导的损伤指标-SWL关系允许利用锈蚀引起开裂的视觉检测数据推断平均钢筋锈蚀水平,这对于评估锈蚀RC结构的损伤状态至关重要。