《Expert Systems with Applications》：Color-based damage detection and evaluation of post-fire NSC components using machine learning and finite element modeling
编辑推荐：
基于颜色温度预测的火灾后混凝土结构损伤评估方法，通过色度坐标转换建立737张图像数据库，结合随机森林等机器学习模型预测表面温度分布，并利用有限元分析验证结构剩余承载能力，误差控制在5%以内。
Zejian Liu|Yuxi Zhao|Yun Zhao|Haiwei Xu
浙江大学结构工程研究所，中国浙江省杭州市310058
摘要
快速准确地评估大量火灾后受损的钢筋混凝土（RC）构件对于建筑修复决策至关重要。然而，传统的损伤检测方法耗时、劳动密集，并且在捕捉温度分布方面存在局限性。本研究提出了一种基于颜色的温度预测方法，用于检测和评估普通强度混凝土（NSC）构件的火灾后损伤。共收集了737张火灾后NSC的图像，并将其转换为网格色度坐标以减少光照影响，同时引入了初始色度和材料参数来确定混凝土的颜色变化路径。基于该数据库，开发了八个机器学习（ML）模型来预测表面混凝土的温度。随后通过网格化、烟尘识别和8邻域校正技术生成2D温度分布图以实现自动检测。最后，建立了一个有限元（FE）模型，根据检测结果评估火灾后的残余性能。ML模型的比较结果表明，随机森林（RF）模型在训练集（0.945）和测试集（0.855）中均表现出较高的预测精度，因此被选为网格温度预测模型。仿真结果显示，残余承载能力的误差控制在5%以内，这表明FE模型通过引入不均匀的温度分布考虑了偏心荷载的影响，从而提高了预测精度。该方法可以为火灾损伤评估提供参考。
引言
随着城市化进程的加快和人口密度的增加，建筑火灾已成为日益严重的问题，因为它们可能造成严重的结构损坏，并对人类生命和财产构成严重威胁（Kodur等人，2020年）。尽管如此，由于混凝土具有较高的热惯性，混凝土结构仍具有一定的防火性能。特别是对于普通强度混凝土（NSC）结构，虽然其表层在火灾中往往受到严重破坏，但核心区域仍保留了大部分力学性能。这一特性反映了火灾受损NSC的可修复性，意味着火灾后的NSC结构可以通过修复而非更换恢复使用，从而大幅减少经济损失。因此，快速准确地检测和评估火灾后NSC构件的损伤对于建筑修复至关重要。
现有的火灾后损伤检测方法主要分为破坏性和非破坏性测试。破坏性测试可以通过取芯样获得混凝土的内部损伤数据，但这种方法耗时且劳动密集。非破坏性测试，如超声波脉冲速度法（Kodur等人，2020年；Awoyera和Olalusi，2022年）、非线性共振振动法（Park等人，2014年）、冲击共振法（Park和Yim，2016年）以及热成像法（Woldeamanuel等人，2023年），主要依赖专用设备来推断内部损伤。相比之下，结构表面图像相对容易获取，随着深度学习（DL）技术的快速发展，基于图像的方法已成为一种新型的非破坏性测试方式。这些方法大多集中在损伤特征识别上（Andrushia等人，2022年；Liu等人，2024年；Wang等人，2024年），例如裂缝、混凝土剥落和钢筋裸露等，但这些特征本身无法反映构件的火灾暴露温度。
早期研究表明，由于混凝土的热致变色特性，混凝土在不同高温下的颜色会永久性变化（Short等人，2001年）。这使得可以通过表面图像颜色非破坏性地检测火灾受损的混凝土。最近，许多研究利用DL算法专注于火灾后混凝土的图像损伤检测（Haciefendioglu等人，2022年；Chen等人，2024年；Song等人，2023年；Liu等人，2025年）。例如，卷积神经网络（CNN）模型被用来预测火灾受损NSC的表面温度（Haciefendioglu等人，2022年），结果表明Resnet-50在识别火灾后图像方面的性能优于VGG-19和Xception。混合CNN模型被用来预测NSC芯样的温度场（Chen等人，2024年），结果表明图卷积网络（GCN）限制了相邻网格之间的温度差异，从而较好地模拟了截面的温度梯度。火灾暴露温度通过短视频成像、高光谱成像和激光诱导击穿光谱法（Song等人，2023年）进行预测，结果表明机器学习（ML）模型量化了温度与光谱信号之间的关系，ML、成像算法和光谱技术的结合方法在温度预测方面表现出高精度。
尽管上述研究中的DL算法通过隐式学习颜色特征实现了快速的火灾后温度预测，但这类端到端方法的局限性在于它们容易受到环境和材料变化的影响，例如光照强度、颜色变化路径和烟尘沉积。这些因素会显著改变颜色-温度对应关系，导致温度预测模型在实际场景中产生误判。为了解决颜色变化问题，先前的研究表明，通过将彩色图像转换为色度坐标可以有效减少光照强度对颜色的影响（Wei等人，2019年），然后根据材料参数对NSC的颜色变化路径进行分类（Arioz，2007年；Annerel和Taerwe，2009年；Hager，2013年），为准确的颜色-温度映射奠定了理论基础。然而，将这一理论知识整合到自动化评估中，并将图像特征与结构安全性联系起来仍需进一步探索。这需要从端到端的图像识别模型转向基于知识的、特征导向的ML预测框架。
因此，本研究提出了一种基于颜色的NSC构件温度预测和评估方法，通过整合现有的颜色知识、ML算法和有限元（FE）分析来实现。具体而言，本研究通过数据收集和转换建立了可靠的NSC颜色数据库，以考虑各种因素的影响。然后，利用ML算法和图像处理方法提出了混凝土表面温度预测模型，以检测不均匀的温度分布。最后，通过FE仿真评估NSC构件的残余承载能力。本研究引入了一个闭环评估框架，系统地将强大的图像预处理、自动化温度预测和结构安全性评估联系起来，将不确定的现场图像转化为量化的工程指标，为建筑修复决策提供了可靠的基础。总结来说，本文的贡献如下：
•为了解决环境和材料变量对颜色-温度映射的干扰，我们通过基于颜色的图像处理和转换构建了一个高质量的开源NSC颜色数据库；
•为了实现自动化和准确的损伤检测，我们提出了一个ML模型和网格温度校正方法，用于预测不均匀的表面温度场；
•为了弥合温度预测与结构安全性评估之间的差距，我们利用预测的不均匀温度场作为FE仿真中的热边界条件，实现了准确的残余承载能力评估。
本文的其余部分组织如下。第2节详细阐述了所提出的四阶段评估方法，包括数据库构建过程、ML温度预测模型、火灾损伤检测和评估。第3节全面讨论了训练和验证结果。第4节通过案例研究展示了所提出方法的实际适用性。最后，第5节对本文进行了总结。
方法论
NSC构件的基于颜色的火灾损伤评估框架包括四个阶段：数据收集、基于颜色的温度预测、火灾损伤检测和火灾损伤评估，如图1所示。在第一阶段，从参考文献和建筑火灾中收集了大量火灾后的混凝土图像，通过边界公式识别混凝土表面的烟尘，非烟尘图像被网格化并转换为坐标数据
基于颜色的温度预测结果
基于第2.1节的数据库，建立了八个ML分类回归模型来预测网格温度，并采用了四个统计指标来评估模型的预测性能，包括准确性、精确度、召回率和F1分数。八个ML模型在训练集和测试集上的统计结果如图9所示。
图9表明所有模型都表现出良好的预测性能，即使是性能最低的MLP模型
案例研究
从参考文献（Liu等人，2025年）中收集了RC框架工厂火灾事故后的损伤图像，用于验证所提出方法在工程应用中的性能。考虑到所提出方法中考虑了烟尘的影响，从损伤图像中选取了一个带有烟尘的RC板图像进行火灾损伤检测和评估，该过程如图18所示。结果表明，烟尘区域被成功区分，不合理的预测结果得到了纠正
结论
本研究提出了一种基于颜色的温度预测方法，用于检测和评估NSC构件的火灾损伤。建立了一个包含737张火灾后NSC图像的数据库，以确定具有最高预测精度的ML模型。采用ML模型和图像处理方法来检测火灾后图像并生成2D温度分布图，然后利用FE仿真评估火灾后的残余性能
未引用的参考文献
(Colombo和Felicetti，2007年)。
CRediT作者贡献声明
Zejian Liu：方法论、调查、验证、可视化、撰写——原始草稿。Yuxi Zhao：资金获取、项目管理、概念化、监督、撰写——审阅与编辑。Yun Zhao：数据整理、验证、调查、撰写——审阅与编辑。Haiwei Xu：方法论、软件开发、验证、撰写——审阅与编辑。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
