人工神经网络模型在预测短碳纤维增强混凝土中膨胀锚的断裂强度中的应用
吉尔福德·B·埃斯特雷斯(Gilford B. Estores)
《Buildings》:Artificial Neural Network Modeling and Prediction of Breakout Strength for Expansion Anchor in Short Carbon Fiber-Reinforced Concrete
Gilford B. Estores
【字体:
大
中
小
】
时间:2026年04月30日
来源:Buildings 3.1
编辑推荐:
摘要 预测嵌入在短碳纤维增强混凝土(SCFRC)中的膨胀锚的具体断裂强度具有挑战性,这是由于纤维-基体相互作用的非线性和异质性。本研究开发了一种人工神经网络(ANN)模型,用于估计安装在SCFRC中的单个膨胀锚的断裂能力。实验数据来自48个案例,涵盖了抗压
摘要 预测嵌入在短碳纤维增强混凝土(SCFRC)中的膨胀锚的具体断裂强度具有挑战性,这是由于纤维-基体相互作用的非线性和异质性。本研究开发了一种人工神经网络(ANN)模型,用于估计安装在SCFRC中的单个膨胀锚的断裂能力。实验数据来自48个案例,涵盖了抗压强度、抗拉强度、纤维体积分数和纤维长度的变化,这些数据被用来训练和验证MATLAB的Regression Learner中的多种ANN架构。一个具有修正线性单元(ReLU)激活函数的4-4-1三层ANN和5折交叉验证实现了最可靠的性能,其R2值分别为0.6726(验证)和0.9376(测试),相应的RMSE、MAE和散布指数(SI<0.1)都很低。基于SHAP的敏感性分析确定抗拉强度是主要预测因素,对模型输出的影响占70.78%。将ANN预测结果与ACI采用的混凝土容量设计(CCD)模型和菲律宾国家结构规范(NSCP)的多重线性回归(MLR)模型进行了比较,结果表明,尽管ANN不是最精确的模型,但它提供了可接受的准确性,并且比线性方法更有效地捕捉了非线性的混凝土断裂行为。研究结果表明,ANN框架提供了一种可行的数据驱动工具,用于估计SCFRC锚固系统中的混凝土断裂强度。
1. 引言
锚螺栓常用于将结构部件连接到混凝土上。然而,这些锚容易发生脆性混凝土断裂,因为作为基体材料的普通混凝土本身具有较低的抗拉强度。脆性混凝土断裂模式是由于通过锚螺栓传递的高应力集中引起的,这会导致混凝土基体中的裂缝快速出现、扩展,这些特征是混凝土基体的抗拉强度低、延展性和韧性差[1]。这种情况表明,通过提高混凝土基体的抗拉强度、延展性和韧性,可以改善锚螺栓的断裂强度,并减轻裂缝的起始和扩展。这一前提与Li和Qian[2]的观点一致,他们认为当基体材料具有显著提高的抗拉延展性时,可以抑制带头锚的脆性拔出失效。
已经提出了多种分析模型来预测嵌入在混凝土基体中的单个锚的断裂强度。其中,混凝土容量设计(CCD)模型因其相对简单性和相比早期模型更高的准确性而被广泛使用。因此,ACI 318-11[3]和菲律宾国家结构规范(NSCP)[4]都将CCD模型作为锚连接设计的标准基础。CCD模型最初由Fuchs、Eligenhausen和Breen[5]开发,它假定了一个金字塔形的失效面,该失效面与水平面成35°角倾斜,对应的断裂区域大约是锚的有效嵌入深度的三倍。单个锚在混凝土中的断裂强度可以表示为:
(1)
其中Nc表示锚在混凝土基体中的拔出强度,fc表示基体的抗压强度,hef表示锚螺栓的有效嵌入深度,表示混凝土的抗拉强度,表示失效面积(k2 = 9),表示锚的尺寸效应。当等于时,锚在混凝土中的拔出强度简化为:
(2)
其中校准系数k为13.5,这是通过拟合实验数据得出的[5]。CCD模型使用基本的抗拉强度方程来预测单个锚的断裂强度,并乘以一个考虑基体中无裂缝情况的因子。根据ACI 318-11和NSCP的规定,单个安装后的锚在拉伸状态下的基本混凝土断裂强度不得超过
(3)
其中λ表示与混凝土单位重量相关的修正因子,对于普通普通混凝土来说λ等于1,而kc表示有效性因子,其值为7。然后,对于未开裂的基体材料,还需再乘以1.4的因子。另一方面,欧洲金属锚在混凝土中使用的技术批准指南(ETAG001)[6]的方程也是基于CCD模型的;然而,它仅随有效性因子kc的值而变化。对于ACI 318-11[3]和NSCP 2015[7],未开裂的普通普通混凝土的kc = 9.8。对于ETAG001,未开裂的普通普通混凝土的kc = 10.1,但使用的是抗压强度的立方而不是圆柱形。与CCD模型类似,Eligenhausen和Sawade[8]基于断裂韧性模型的普通混凝土中的锚的拔出强度也是基于线性断裂力学理论。单个锚在混凝土中的断裂强度由断裂韧性描述,公式为:
(4)
其中表示相对于其立方抗压强度的基体断裂韧性,c′是一个与锚几何形状相关的系数,对于膨胀锚来说等于1.6,Gf = 0.006fcc0.7。该方程意味着锚螺栓的最终载荷主要取决于基体的断裂韧性,而不是混凝土的抗拉强度。
在这项研究中,探索了短碳纤维增强混凝土(SCFRC)作为膨胀锚连接基体材料,旨在提高抗拉强度、延展性和韧性。文献中充分记录了纤维-基体相互作用、裂缝桥接机制以及纤维增强水泥基复合材料改善的裂后延展性的影响。特别是ECC材料表现出 superior的抗拉延展性和微观裂缝控制能力,使得在载荷下的结构响应更加稳定[9]。类似的研究表明,ECC约束或ECC增强的柱体表现出增强的抗压性能、延展性和改性的失效机制[10,11]。
碳纤维在土木工程中的使用包括在建筑和桥梁中的各种混凝土应用,因为它对土木基础设施有许多良好的效果。直接的好处包括显著提高抗拉强度、韧性和抗折强度。SCFRC在拉伸方向上也具有真正提高的延展性,这可以防止快速开裂。这种创新的复合材料吸引了众多工程师的关注,因为除了其强度和韧性的直接改进外,它在建筑施工方面也具有其他优势。表1总结了Karbhari, VM[12]报告的碳纤维增强混凝土(CFRC)在建筑施工中相对于普通混凝土的优势,包括重量、损伤和可成形性因素。表1. CFRC相对于普通混凝土的优势。在菲律宾,将短碳纤维作为分散增强剂用于混凝土基体的情况在混凝土施工中很少见。然而,碳纤维越来越多地被用于钢筋混凝土结构的翻新和修复,特别是使用碳纤维增强片材(CFRS)。这种类型的CFRS已在菲律宾的不同桥梁的修复、翻新和改造中得到广泛应用,尤其是在第七区和第十一区,这些项目由公共工程和公路部(DPWH)资助。
由于碳纤维在混凝土结构中的许多优势,对其需求和受欢迎程度持续增加,因此锚螺栓连接到SCFRC结构元素的可能性很高。然而,对于SCFRC结构元素(如地面板、墙体、路面项目、幕墙和预制元件)来说,后安装型锚是最合适的连接方式,因为它们的厚度有限。这意味着SCFRC可以作为一种良好的替代基体材料,以控制或防止在普通混凝土基体中常见的脆性拔出失效模式。预计使用SCFRC作为锚螺栓连接的基体材料在拔出强度和裂缝控制方面会比普通混凝土表现更好。许多研究表明,由于抗拉强度、延展性和韧性的提高,纤维增强混凝土中单个锚的断裂强度得到了增强。许多研究者声称,短碳纤维可以有效防止或减少混凝土中的开裂问题。
膨胀锚螺栓连接可以应用于CFRC结构,如地面板、预制元件、墙板和路面项目。需要研究结构元素与现有SCFRC结构元素的连接,以确保结构的安全性并减少其对人类生活的影响。使用现有的CCD模型可能不够充分,因为它仅适用于普通混凝土。由于短碳纤维在混凝土基体中的取向和分布,嵌入在SCFRC中的膨胀锚的断裂强度在其强度能力和失效几何形状方面可能会有所不同。
Ashour和Alqedra[13]之前的一项研究基于混凝土容量设计方法的参数使用人工神经网络(ANN)建模来预测锚螺栓的抗拉能力。考虑的参数包括混凝土基体的抗压强度、锚螺栓的有效嵌入深度、安装类型和锚螺栓直径。根据这项研究,发现训练有素的ANN模型和CCD模型在预测锚的抗拉能力方面有很好的一致性,无论是浇筑式锚还是后安装式锚。此外,还证明了使用ANN模型预测的锚螺栓的抗拉能力与有效嵌入深度的大约1.5次方成正比。
在这项研究中,预计SCFRC基体中的膨胀锚将比普通混凝土具有更高的断裂强度。基于这些见解,本研究旨在开发一个ANN模型来预测嵌入在SCFRC中的膨胀螺栓的断裂强度。从CCD模型来看,影响锚螺栓拉伸断裂强度的最重要因素是抗拉强度;相反,断裂韧性模型表明基体的断裂韧性与其抗压强度有关。因此,除了SCFRC的纤维长度和纤维含量外,这里还考虑了抗拉强度和抗压强度作为ANN建模的输入参数。
这项研究为结构工程师在设计SCFRC中的膨胀螺栓锚提供了重要信息。该研究还鼓励在SCFRC中应用锚固系统,并促进了碳纤维作为混凝土结构增强材料的应用,有助于提高人们对碳纤维作为创新替代材料的认识。
除了提高抗拉强度和抗裂性外,纤维增强水泥基材料的使用越来越多地被认为有助于结构的韧性,特别是在断裂行为、能量耗散和裂后能力决定性能的系统中。最近在地下和基础设施系统的韧性评估框架方面的进展强调了需要能够捕捉复杂加载条件下非线性材料行为和不确定性的预测工具[14]。结合这些观点,加强了开发数据驱动模型(如ANN)的动力,这些模型可以通过提供关于SCFRC锚固系统断裂驱动断裂响应的洞察来补充传统的设计方法。
2. 材料和方法
2.1. 测试计划
图1展示了整个测试计划。在整个研究中使用了一个恒定的膨胀锚螺栓直径(da = 10 mm)。准备了三种抗压强度等级的CFRC试件:21 MPa、28 MPa和35 MPa。对于每个等级,评估了19 mm、30 mm和38 mm的碳纤维长度以及六种纤维体积分数(0%、0.10%、0.15%、0.20%、0.25%、0.30%)。对于每个案例,准备了五个拔出试件、三个抗压测试圆柱体和三个拉伸哑铃试件。图1. 测试计划流程图。
2.2.材料准备
本研究中使用的复合材料由基于PAN的切碎碳纤维增强的混凝土基体构成。混凝土混合物是按照ASTM C150 [15]标准使用波特兰水泥、清水、细骨料和19毫米的碎粗骨料制备的。骨料的性能评估遵循ASTM C127-04 [16]、ASTM C128-04a [17]和ASTM C136 [18]标准。在之前的研究中,也使用了相同尺寸的骨料来研究碱性氧气炉矿渣作为部分粗骨料对混凝土中安装的锚栓拔出强度的影响[19]。
Hilti HST M10×90/10膨胀锚由位于菲律宾帕西格市的Hilti Philippines, Inc.制造,按照制造商的指南进行安装。根据ACI 544 [20]标准,大多数合成纤维的长度在19毫米到64毫米之间,其中大多数应用使用19毫米或38毫米长的纤维。基于这一指南,本次研究选定的纤维长度为19毫米、30毫米和38毫米。由日本东京的Toray Industries, Inc.生产的基于PAN的碳纤维(UT70-20 TORAYCA),长度分别为19毫米、30毫米和38毫米,被加入到混凝土混合物中——每个切碎的纤维样品的厚度约为0.111毫米,宽度为3毫米。图2展示了切碎的基于PAN的碳纤维以及膨胀锚栓。图2:(a) 基于PAN的切碎碳纤维;(b) Hilti膨胀锚栓。
2.3. 混合比设计
混合物的设计抗压强度分别为21 MPa、28 MPa和35 MPa,相应的水灰比分别为0.68、0.57和0.48。坍落度限制在25至100毫米之间,所有混合物都包含2%的夹杂空气。对于每种纤维长度和纤维体积分数,每种都制作了三个抗压试件、三个拉伸试件和五个拔出试件,同时也有无纤维的对照试件。对照试件和SCFRC试件的混合比例见表2。该表显示了砂与纤维体积含量的变化,因为在设计混合物中部分用碳纤维替代了砂。纤维替代砂的比例是根据规定的纤维体积分数来确定的。从这一体积出发,通过将目标纤维体积乘以纤维的材料密度来计算所需纤维的质量,然后用该纤维质量替代混凝土混合物中的等量砂。表2:试件的混合比例。
2.4. 试件制备
采用ASTM C94 [21]和ACI 304R指南[22]规定的湿拌工艺。将骨料和纤维与三分之二的拌合水混合三分钟,然后加入预先与超塑剂混合的水泥和剩余的水。继续搅拌三分钟以确保纤维均匀分散。新鲜的CFRC(碳纤维增强混凝土)和普通混凝土被浇筑到模具中,并在12小时后脱模。圆柱形试件和哑铃形试件进行了28天的水养护,而基材试件则用塑料薄膜覆盖并保持湿润。所有试件都存放在阴凉环境中以控制温度并防止过早干燥。
圆柱形试件的尺寸为100 × 200毫米,按照ASTM C39-05 [23]规定的程序制造,以确保抗压强度测试的标准化准备。此外,还制备了截面尺寸为75 × 50毫米、测量长度为300毫米、厚度为50毫米的哑铃形拉伸试件。选择这种几何形状是为了促进临界截面的应力均匀分布,并使SCFRC基体自然形成随机三维的纤维取向,这对于捕捉代表性的拉伸行为至关重要[24]。图3展示了圆柱形和哑铃形拉伸SCFRC试件的代表样本。图3:(a) 圆柱形CFRC试件样本;(b) 直接拉伸强度试件。
对于锚栓性能评估,制造了尺寸为360 × 360 × 150毫米的SCFRC基材块。这些尺寸符合ACI 318、菲律宾国家结构规范(NSCP)、ASTM E488-96 [25]和ETAG 001 [6]规定的几何要求,以避免边缘效应、过早开裂和其他与约束相关的失效。满足这些几何标准对于促进有效的混凝土锥体断裂机制至关重要,从而使测试结果能够反映材料的真实断裂阻力,而不是由于混凝土覆盖不足或块体尺寸限制造成的结果。尽管由于SCFRC块的尺寸足够大,预计不会出现开裂失效,但如果不正确安装膨胀锚,仍有可能发生拔出失效。相反,如果锚本身的内在拉伸能力不足以抵抗施加的拉力载荷,可能会发生钢材失效。这些考虑强调了正确安装实践和适当选择锚栓的重要性,以确保在测试过程中实现预期的混凝土断裂机制。
完整的安装过程如图4所示,它展示了在SCFRC基材中安装锚栓的每个步骤。使用10毫米的砌筑钻头在SCFRC基材上钻孔,形成80毫米深的孔。钻孔后,用吸尘器清理孔内灰尘,并再次检查孔深以确保达到所需的80毫米。图4:膨胀锚栓的安装过程。然后将膨胀锚插入孔中,并用锤子轻轻敲击,直到插入深度达到69毫米。通过确认锚上的红色标记与基材表面对齐且暴露的锚长度为21毫米来确认这一深度。在锚的暴露部分放置一块钢板,并使用扭矩扳手施加45 Nm的扭矩,遵循制造商(Hilti)的安装程序。达到所需扭矩后,松开螺母并移除钢板。此时,锚达到了正确的60毫米有效嵌入深度,准备进行拔出测试。最终的基材试件如图5所示。图5:基材试件。
2.5. 测试程序
在标准的28天养护期后,使用校准的万能试验机(UTM)进行了抗压和拉伸强度评估,如图6所示,以确保准确的载荷测量和符合既定的测试协议。抗压测试遵循圆柱形混凝土试件的常规加载程序,而哑铃形CFRC样品的拉伸测试在位移控制条件下进行,以捕捉完整的应力-应变响应并识别裂纹和裂纹后的行为。图6:(a) 抗压强度测试设置;(b) 拉伸强度测试设置。机械锚的断裂强度测试如图7所示,按照ASTM E488-96的规定进行,该标准规定了确定受静拉伸载荷影响的锚栓性能的程序。锚栓安装包括钻一个精确对齐的80毫米深的孔,然后通过一系列刷洗和吹气彻底清理孔内的灰尘和碎屑,确保锚栓与周围CFRC材料之间的良好接触。然后将锚插入69毫米的深度,并拧紧至45 Nm的扭矩,从而实现60毫米的有效嵌入深度,符合标准化锚栓能力评估的要求。测试过程中使用了专用反应框架和定制的拉伸夹具,以保持正确的载荷传递并防止混凝土表面出现不必要的约束。这种设置确保了混凝土的无限制断裂行为,使测试期间观察到的失效模式能够真实反映锚栓与材料之间的相互作用。图7:断裂强度测试设置。
在测试过程中观察到两种不同的失效机制:拔出失效和混凝土断裂失效。由于统计评估的目的是为了描述与后续ANN模型开发相关的断裂能力,因此只将那些在混凝土中断裂的试件纳入平均Nobs的计算中。这种方法避免了将不相关的失效行为引入膨胀锚栓混凝土断裂强度的统计表示中。对于每个实验案例,测试了五个试件,其中至少有两个表现出混凝土断裂,为得出与断裂失效模式相关的代表性平均值提供了充分的基础。
还对表3中显示的所有实验案例进行了方差分析,这为在人工神经网络(ANN)训练中使用数据提供了关键的质量评估。由于ANN对不一致或过度分散的数据非常敏感,因此验证每个变量是否满足可接受的变异限值对于确保可靠的模型学习和准确预测至关重要。对于本研究,评估了三个关键参数的变异系数(COV),即抗压强度(fc)、拉伸强度(ft)和混凝土断裂强度(Nobs),并与既定的接受阈值(fc < 11%、ft < 15%、Nobs < 12%)进行了比较。根据ACI 214R-11 [26],使用COV评估混凝土抗压强度的可接受变异范围,其中小于大约11%的值对应于“良好”到“非常好”的混凝土质量。另一方面,直接拉伸强度是使用哑铃形或狗骨形混凝土试件根据RILEM推荐的纤维增强混凝土方法进行的评估,该方法提供了标准化的几何形状、加载配置和应变测量要求,以评估应力-应变响应。文献一致报告称,由于纤维-基体相互作用、裂纹桥接和局部拉伸裂纹敏感性,水泥基复合材料的直接拉伸强度比抗压强度具有更高的分散性,典型的COV最大值为15%。最后,本研究采用的混凝土断裂强度的接受标准COV < 12%来自ACI 214R-11中提供的统计质量分类,这是唯一定义混凝土强度测试允许变异范围的标准。ACI 214R-11将COV值低于大约12%的情况归类为良好到一般的重复性,以确保数据分析的数据具有统计一致性和可靠性。表3:各案例样本方差的总结。
在所有纤维含量和纤维长度组合中,抗压强度(fc)的COV值始终低于所需的11%限制。这证实了抗压强度测量在各个试件之间保持稳定,且添加纤维并未引入过多的变异。统一的可接受COV值表明混凝土混合物具有良好的一致性,使得fc适合作为ANN输入变量。
拉伸强度(ft)显示出较高的变异性,这是由于拉伸行为对纤维排列、局部裂纹和基体-纤维相互作用的敏感性。尽管存在这种自然变异,但每个ft样本案例都在允许的15%范围内,确认拉伸强度测量仍然可靠。确保ft的可接受变异性尤为重要,因为拉伸强度控制着裂纹的起始和扩展,这是影响断裂性能的关键机制。
混凝土断裂强度(Nobs)的所有变量显示出最低的变异度,所有COV值均低于所需的12%阈值。这表明锚栓-混凝土系统的结构响应在所有测试试件中高度一致。这种低变异性确保了断裂能力值提供了可靠的ANN训练目标输出。
每个实验案例都满足了fc、ft和Nobs的所需COV限值。因此,这确认了数据集在统计上是可靠的,适合用于机器学习应用。所有变量的可接受性确保了ANN模型基于稳定和代表性的输入-输出关系进行训练,降低了学习结果的失真风险,并提高了最终预测模型的准确性和泛化能力。最近的研究表明,结合实验测试、数值校准和基于AI的替代模型可以有效预测复合系统的结构行为[27]。
2.6. ANN建模
2.6.1. ReLU函数和数据集准备
修正线性单元(ReLU)激活函数已成为现代人工神经网络(ANN)架构中最广泛采用的非线性转换函数之一,特别是在基于回归的预测建模中。它在保持计算简洁性的同时引入了非线性,使神经网络能够高效地近似复杂的输入-输出关系。与传统激活函数(如Sigmoid或双曲正切)不同,这些函数在反向传播过程中容易饱和并导致梯度消失,ReLU保留了所有正输入的梯度大小,从而促进了更快的收敛速度和更深层次网络中的更稳定训练。当应用于三层人工神经网络(ANN)回归模型时,ReLU作为一种有效的隐藏层激活函数,只在没有有用信息时才选择性地激活神经元,从而产生稀疏的表示,增强了学习的鲁棒性并提高了对未见数据的泛化能力。在工程和材料相关预测任务的背景下,变量之间的非线性交互非常普遍,将ReLU集成到多层回归学习器中使得ANN能够捕捉到通过线性回归技术无法表示的微妙模式和高维依赖性。因此,基于ReLU的ANN架构在计算效率、数值稳定性和建模准确性之间取得了最佳平衡,特别适合处理具有高度变化的实验数据集。在MATLAB R2024b的回归学习器中,采用了修正线性单元(ReLU)激活的三层人工神经网络(ANN)进行训练,该过程整合了非线性特征提取、自动数据标准化、逐步架构优化和k折交叉验证的性能评估。数据集包含48个案例(包括对照样本),每个案例由四个预测变量定义——抗拉强度(ft)、抗压强度(fc)、纤维体积分数(Vf)和纤维长度(Lf),混凝土断裂强度(Nobs)作为目标输出。在训练之前,MATLAB自动将所有输入变量标准化,将其转换为零均值和单位方差分布。这一步确保了特征影响的平衡,加速了收敛速度,防止了梯度下降过程中的尺度主导,并提高了反向传播过程中的数值稳定性。模型开发过程使用了20%的训练子集来学习最优的权重-偏置参数,而剩余的80%数据用于验证,为评估模型泛化能力提供了广泛的基础。
2.6.2. ANN训练
为了确定最佳网络深度,最初配置了三层隐藏层,之后逐步增加隐藏层的数量,每次增加一层,最多达到九层。这种逐步的架构扩展使得可以系统地评估模型深度如何影响非线性学习能力、预测准确性和过拟合倾向。在验证数据集中,MATLAB应用了k折交叉验证(k = 5),将验证子集分成k个相等的部分。在k次训练循环中,ANN使用k-1个部分重新初始化和重新训练,而剩余的部分作为临时验证集。这种迭代过程确保了每个案例在多个循环中都对训练和验证有贡献,从而生成了无偏的模型性能估计,并最小化了对于任何单个分割的依赖。在整个训练迭代过程中,ReLU激活函数通过只在加权输入为正时激活神经元,实现了高效的非线性映射,从而产生了稀疏的内部表示并保持了稳定的梯度大小。完成所有交叉验证循环后,MATLAB汇总了评估指标(如RMSE、MAE、MAPE和R2),以进行统计上严谨的泛化准确性评估。通过这种基于ReLU的非线性建模、自动标准化、逐步隐藏层扩展和k折交叉验证的结合,回归学习器生成了一个计算效率高、鲁棒性强且性能优异的ANN模型,能够准确预测四个关键实验变量下的混凝土断裂强度。重要的是,ReLU与k折交叉验证的集成对于像本研究中使用的小型数据集特别有效,因为重复采样稳定了学习过程,减少了方差,并防止了过拟合,使模型即使在样本量有限的情况下也能实现可靠的预测性能。
2.6.3. 架构选择和性能评估
如图8所示的4-H-1 ANN架构由四个输入参数组成,包括SCFRC基材料的抗拉强度(ft)、抗压强度(fc)、纤维长度(Lf)和纤维体积含量(Vf),以及隐藏层中神经元数量的变化用H表示。然后,单个扩展锚螺栓的断裂强度(Nbs)被视为输出层的唯一神经元。图8. 4-H-1 ANN架构。彩色箭头显示了从每个输入变量到输出的信息流动路径。为了确定最合适的ANN配置,使用ReLU激活训练了多个模型并通过k折交叉验证进行了验证。性能评估使用了均方根误差(RMSE)、均方误差(MSE)、决定系数(R2)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)来评估验证集和独立测试集的性能。最终选择了ANN Model 4-H-1,该模型的一致性优于所有其他配置。它必须实现最低的验证和测试RMSE、MSE以及最高的验证R2。相应的MAE和MAPE进一步确认了其在验证和测试数据集中的准确性。
3. 结果与讨论
3.1. ANN模型的拓扑结构和性能
由于本研究使用的数据集相对较小(48个观测值),因此考虑了使用ReLU激活函数和k折交叉验证的适用性。ReLU在深度学习中广泛使用,因为它具有计算效率高和捕捉非线性关系的强能力。然而,当应用于小型数据集时,ReLU可能会不稳定。它可能会产生死神经元效应,并且对稀疏数据敏感,尤其是在材料行为平滑连续的情况下,这通常是纤维增强混凝土的特点。因此,除非有增强模型稳定性的技术支持,否则ReLU可能会生成方差较大的模型。为了解决这些限制,将k折交叉验证与ReLU结合使用。通过在k = 5个部分上反复训练和验证网络,每个观测值都对模型学习和评估做出了贡献。这种方法减少了对单一训练-测试分割的依赖,并确保数据集的任何部分都不会被过度代表。对于小型数据集而言,这种重复采样是必不可少的,因为传统的验证可能会无意中强调或忽略预测空间的特定区域。结果显示,ReLU与k折交叉验证的结合显著提高了模型性能指标的稳定性和一致性。因此,这项研究的结果表明,ReLU与系统化的k折交叉验证相结合对于48个样本的数据集来说是可接受且有效的,能够可靠地预测短碳纤维增强混凝土中扩展锚螺栓的断裂强度。
为了确定最合适的ANN配置,使用ReLU激活训练了多个模型,并通过k折交叉验证进行了验证。性能评估使用了RMSE、MSE、R2、MAE和MAPE来评估验证集和独立测试集的性能。如表4所示,ANN Model 4-4-1的表现始终优于其他所有配置。它实现了最低的验证RMSE(1.6086)和MSE(2.5875),以及最高的验证R2(0.67265),表明它捕获了大约67%的断裂强度变化。相应的MAE(1.1453)和MAPE(4.80%)进一步确认了其在验证数据集内的准确性。ANN Model 4-4-1还在测试中表现最佳,具有最低的RMSE(0.78909)和MSE(0.62266)以及最高的R2(0.93764),显示出对未见数据的出色泛化能力。其测试MAE(0.65871)和MAPE(2.93%)也是所有模型中最低的,证实了模型的预测既精确又一致。相比之下,其他一些模型显示出明显的弱点,例如ANN Model 4-3-1产生了负的测试R2,而ANN Model 4-6-1、4-7-1和4-8-1显示出较高的误差指标和较差的泛化能力。即使Model 4-5-1相当准确,也没有达到ANN Model 4-4-1的预测强度和交叉验证一致性。
表4. ANN 4-H-1模型性能比较。ReLU与k折交叉验证的集成使得模型选择过程更加严格和可靠。在所有评估的架构中,ANN Model 4-4-1被认为是最准确、最稳定和泛化能力最强的模型,成为预测嵌入在短碳纤维增强混凝土中的扩展锚螺栓断裂强度的最佳选择。其在各项指标上的卓越表现证明了其捕捉纤维增强混凝土材料固有的复杂非线性行为的能力。
3.2. 最终ANN模型的预测性能
使用ReLU激活函数训练并使用5折交叉验证评估的4-4-1架构的ANN模型的预测性能表明,0.6726的验证R2值和0.9376的测试R2值对于混凝土断裂数据集来说是可接受且有意义的。考虑到相对较小的样本量(48个观测值)以及短碳纤维增强混凝土固有的高变异性,这一水平的决定系数表明模型成功捕捉了控制断裂强度的主导非线性关系。混凝土断裂破坏是一种受局部异质性、纤维取向、裂缝桥接效应和微观结构随机性影响的脆性断裂机制[27]。这些因素自然会导致实验结果出现显著散布,使得实际上很难获得非常高的R2值。在这种情况下,0.6726的R2值反映了模型的强预测能力,特别是与基于断裂或纤维增强混凝土数据集通常报告的中等R2值相比。4-4-1模型的稳健性还得到了其散布指数(SI)小于0.1的支持。散布指数低于0.1表示均方根误差与平均实验值之间的比率足够低,证明了误差分散较小,相对于测量的断裂强度大小,预测的一致性很高。此外,5折交叉验证的集成在稳定ReLU基础网络的训练中发挥了关键作用。交叉验证使ANN暴露于多个训练-验证分割中,减少了方差并防止了过拟合,这是使用ReLU处理有限数据集时的常见问题。改进的泛化能力和跨分割的一致性能验证了所获得R2值的可靠性。R2 = 0.67、散布指数<0.1以及强大的交叉验证性能的结合表明,4-4-1 ANN模型为估计短碳纤维增强混凝土中的混凝土断裂强度提供了一个技术上合理且统计上可靠的预测框架。
图9中的响应图显示了ANN Model 4-4-1生成的预测载荷能力与所有验证记录中的相应真实实验值之间的比较。每个记录由两个点表示:实际测量的响应和模型的预测响应。这些配对点的整体对齐和接近程度提供了关于模型准确性和一致性的洞察。图9. Prediction Model 4-4-1的响应图。图表显示,预测响应与真实值大致遵循相同的趋势,表明模型有效地捕捉了数据集中的整体行为模式。大多数预测点与其对应的实际值非常接近,证明了模型能够产生合理的估计,并确认了模型能够准确预测嵌入在短纤维增强混凝土中的扩展锚螺栓的断裂强度。尽管在数据集中存在一些偏差,预测值仍然在合理的范围内,且没有系统性的误差模式。此外,响应图显示4-4-1 ANN模型提供了稳定可靠的预测。在整个观察范围内,预测值紧密跟随实验数据,表明模型能够捕捉到控制断裂行为的基本非线性特征。这种一致性证实了模型能够再现测量到的断裂能力趋势,而没有系统性的偏差或漂移。预测值与实际值的接近对齐进一步证明了4-4-1架构适用于估计嵌入在短碳纤维增强混凝土中的扩展锚螺栓的断裂强度,其中变异通常很高,这是由于纤维取向、裂缝桥接机制和微观结构效应所致[28]。图10a,b中的预测与实际值对比图提供了4-4-1人工神经网络模型在验证和测试阶段的性能的全面视图。如图10b所示,测试图表表明,即使应用于未见数据时,该模型仍保持其预测能力。大多数测试样本与45度参考线紧密对齐,表明预测的断裂强度值与实际值之间有很强的一致性。这证实了该模型能够很好地泛化到校准数据之外,并不仅仅是复制训练集中的模式。类似的数据驱动方法在预测复合结构行为时显示出比现有设计规范更高的准确性[29]。图10显示了预测响应与实际响应之间的线性度量:(a) 验证;(b) 测试。在较低的真实响应范围(19至22千牛)内可以看到轻微的偏差,模型略微高估了断裂强度。相反,在较高的值(大约26至28千牛)时,模型的预测偏差很小。然而,这些偏差都在可接受的范围内,没有反映出系统的预测偏差。总体而言,测试图表显示神经网络能够有效地捕捉机械输入参数与混凝土断裂强度之间的关系,即使在数据点有限且分布较稀疏的测试条件下也是如此。图11a和11b展示了4-4-1三层人工神经网络的验证和测试残差图,详细展示了模型的预测精度以及误差在数据集中的分布情况。在这两个图中,残差被定义为观察到的断裂强度(Nobs)与ANN预测值之间的差异,并将这些差异与相应的真实响应进行了绘制。一个有效的预测模型应表现出随机分散在零误差线周围的残差,表明模型不会一致地高估或低估目标变量。图11中的残差图(a)验证;(b)测试。在图11a中,验证残差大致集中在零附近,分布在±2千牛的范围内。这种相对较窄的离散度表明大多数验证样本的预测精度很高。残差云图没有出现弯曲、聚集或任何方向性的扩大,证实了模型在整个混凝土断裂能力范围内保持了统一的误差水平。这些特征表明,ANN成功捕捉了锚固断裂载荷下短纤维增强混凝土的非线性响应,而没有表现出系统性的偏差。图11b中的测试残差图进一步强化了这一观察结果。尽管测试数据集包含的样本较少,但残差仍然紧密围绕零线分布,大多数点落在±1千牛的范围内。相对于验证集而言,这种更紧密的分布表明模型在未见数据条件下具有稳定的泛化性能。与验证残差类似,测试残差模式没有明显的趋势,也没有在较高断裂强度下误差幅度的增加,也没有漏斗形的分布。残差图中缺乏结构化模式再次表明ANN没有过拟合现象,也不会对输入幅度的系统变化敏感。图11a和11b中展示的验证和测试残差图清楚地展示了4-4-1神经网络的预测稳定性和误差行为。在这两个阶段中,残差都较小,随机分布,并且紧密集中在零误差线附近,这是预测模型表现良好的迹象,表示模型不会一致地高估或低估目标变量。虽然观察到一些较大的偏差,但在涉及纤维增强混凝土的实验数据集中,这是典型的,因为微观结构的异质性、纤维方向的变异性以及局部断裂过程自然会引入测量响应的散布。值得注意的是,两幅图中的残差都没有显示出明显的模式、弯曲或随着真实响应增加而扩大的趋势,这证实了模型在整个断裂强度范围内保持了相对统一的误差水平。因此,图11a和11b中的综合残差证据支持了4-4-1 ANN模型能够可靠、无偏且结构一致地近似短碳纤维增强混凝土的膨胀锚固断裂行为的结论,增强了其作为此应用预测工具的适用性。图12中展示的SHAP摘要图清楚地表明,抗拉强度(ft)是影响神经网络模型预测的主要因素。这一点从其最大的SHAP值范围(大约?3.8到+3.0)可以看出,表明抗拉强度的变化会导致模型估计的混凝土断裂载荷能力产生最大的正负变化。这种强烈的影响与纤维增强混凝土的行为一致,其中抗拉强度控制着载荷下的裂纹起始和进展,从而对结构性能产生实质性影响。图12显示了使用Shapley值预测变量对模型输出的影响。蓝点表示较低的值,绿点表示中等值,黄橙点表示较高值。紧随抗拉强度之后,抗压强度(fc)成为第二重要的预测变量。尽管其SHAP值范围较窄,但fc仍然对输出有持续的积极贡献,表明较高的抗压强度能够适度提高预测的载荷能力。这反映了它在决定材料的抗压强度和整体结构刚性方面的关键作用。纤维体积分数(Vf)的影响较小但仍有意义,SHAP值表明在许多情况下增加Vf可以提高预测的承载能力。这与它的机械功能一致,因为额外的纤维含量通常可以改善裂纹桥接、能量吸收和断裂后的韧性,尽管其效果不如混凝土基体强度参数明显。最后,纤维长度(Lf)的影响最小,SHAP值紧密围绕零点聚集。这种有限的影响可能源于数据集中纤维长度的范围较窄、与载荷能力的直接相关性较弱,或者是与其他变量的相互作用削弱了其独立效应。SHAP结果强化了基体属性(抗拉强度和抗压强度)是性能主要驱动因素的结论,而纤维属性(Vf和Lf)起次要的辅助作用。这种模式表明ANN成功捕捉了纤维增强混凝土行为的潜在机制,验证了模型的可解释性和物理相关性。图13中展示的Shapley重要性图提供了每个输入变量对三层神经网络模型预测行为的相对贡献的定量评估。平均绝对Shapley值显示了预测变量重要性的明显层次结构,其中抗拉强度(ft)成为压倒性的主导变量。在所有样本中,ft的平均Shapley值为2.8064,占总预测影响的约70.78%。这个70.78%的值是通过将抗拉强度的平均绝对Shapley值除以所有预测变量的总Shapley值得到的。这一显著的贡献表明抗拉强度的变化对模型预测的锚固螺栓混凝土断裂强度有最大的系统影响。这一发现与SHAP摘要图一致,其中ft显示出最宽的水平分布范围,从强烈的负效应到强烈的正效应,表明抗拉强度从根本上决定了神经网络捕捉的结构响应。图13中的Shapley重要性因子显示,第二重要的变量是抗压强度(fc),对模型整体影响的贡献为12.56%。虽然远小于抗拉强度,但fc仍对模型输出有积极的贡献,反映了它在控制刚性、抗压能力以及混凝土基体承受和分配载荷方面的作用。在SHAP摘要图中,fc的Shapley值也显示出适度的分布,证实了神经网络一致地将fc的增加归因于改善试样的承载能力。另一方面,纤维体积分数(Vf)的相对重要性为11.37%,排在fc之后。虽然其影响次于基体强度,但模型捕捉到了增加纤维含量对裂纹桥接、能量耗散和韧性的有益影响。早期摘要图中看到的纤维体积分数Shap值的变化表明,纤维剂量以非线性和依赖于相互作用的方式影响性能,这是ANN有效学习的。最后,纤维长度(Lf)在预测变量中的影响最小,仅对总Shapley贡献了5.29%。这种有限的贡献与其在SHAP摘要图中的紧密聚集一致,表明其独立的预测能力有限。纤维长度通常通过结合机制(如粘结行为、拔出抵抗和纤维分布)影响性能,当作为独立输入考虑时可能不会表现出强烈的效果,特别是因为数据集中Lf的变化较小。总体而言,Shapley分析显示了摘要图和重要性条形图之间的极好内部一致性。这两种可视化都强化了混凝土基体强度属性(抗拉强度和抗压强度)主导结构行为的结论,而纤维参数(Vf和Lf)则起到次要的细化作用。这种预测变量层次结构与已知的纤维增强混凝土力学原理强烈一致,表明神经网络模型成功学习了物理意义上的关系。因此,基于SHAP的可解释性的整合不仅验证了模型的预测精度,也验证了其与预期结构行为的吻合度,增强了对其可解释性和适用性的信心。图14对比了ANN 4-4-1模型与CCD-ACI/NSCP和MLR模型在预测不同抗压强度水平下膨胀锚的混凝土断裂强度方面的表现。该图显示,ANN 4-4-1模型始终产生的预测结果与观察到的混凝土断裂能力趋势紧密一致,证明了其捕捉短碳纤维增强混凝土非线性结构行为的能力。这表明ANN是预测复合混凝土系统结构响应的有效方法,尤其是在非线性机制(如纤维作用、裂纹和约束)控制性能时[28]。ANN预测值的平滑上升趋势反映了模型学习抗压强度、抗拉能力和纤维属性综合效应的能力,这些因素已知会影响纤维增强基体中的断裂行为、裂纹桥接和锥体形成机制[30]。此外,图14还展示了ANN 4-4-1模型、多元线性回归(MLR)模型和CCD-ACI/NSCP设计方法在预测嵌入短纤维增强混凝土中的膨胀锚的混凝土断裂强度方面的相对性能。ANN 4-4-1模型展示了可接受的预测能力,能够捕捉到随着抗压强度增加而增加的断裂强度的一般趋势。为了生成图14中显示的ANN预测的断裂值,使用MATLAB Regression Learner Application训练的选定神经网络被导出到MATLAB工作空间,并通过其内置的预测函数来评估新的输入数据。每个预测是通过构建一个包含所需预测变量(纤维体积分数、纤维长度、抗压强度和抗拉强度)的表格并传递给导出的模型来获得的。使用MATLAB函数进行了新数据的预测:>> T = table(Vf, Lf, fc, ft, … ‘VariableNames’, trainedModel.RequiredVariables); >> yfit = trainedModel.predictFcn(T)这个过程允许ANN使用训练好的4-4-1架构评估每个输入集,并产生相应的混凝土断裂强度预测。虽然在某些强度水平上观察到轻微的偏差,但ANN的输出仍然与实验观察到的模式相当接近,表明模型能够近似短纤维增强混凝土的非线性特性,而不会过拟合或出现显著的预测误差。这种可接受的一致性反映了网络识别抗压强度、抗拉能力和纤维相关机制综合效应的能力,所有这些因素都会影响短碳纤维增强混凝土的断裂行为和锥体形成过程。另一方面,CCD-ACI/NSCP的预测反映了基于代码的公式所固有的假设。对于本研究,CCD断裂强度是使用Vf = 0.10%、Lf = 38毫米以及从线性回归关系ft = 0.0239(fc) + 1.362得出的等效抗拉强度(ft)计算的,这得到了R = 0.811和5%显著性水平下的标准误差为0.14。这些假设是必要的,因为CCD方法主要是针对典型的普通混凝土或常规加固混凝土进行校准的,并没有明确纳入与纤维相关的机制,如裂缝桥接或纤维拔出效应。因此,CCD值主要作为一个基准参考,预计在较低的 compressive strength 下会存在相对低估的情况,特别是在应用于行为与传统混凝土不同的纤维增强材料时。表5显示,MLR模型取得了较好的统计指标(R2 = 0.8829,调整后的R2 = 0.8720),反映了其能够捕捉数据集中大量变化的能力。然而,MLR的线性特性限制了其准确表示短纤维增强混凝土复杂断裂驱动行为的能力。在图14中,MLR曲线虽然跟随了整体趋势,但在强度变化较大的区域缺乏ANN模型所表现出的响应性。从图14和表5的数据来看,虽然ANN 4-4-1模型并不是最精确或最 definitive的预测工具,但它为纤维增强混凝土试样的断裂强度提供了一个合理且结构上一致的近似值。CCD方法仍然适用于常规混凝土应用,但不适合具有纤维增强拉伸性能的材料。相比之下,MLR模型在统计上表现良好,但由于其线性公式而受到了一定限制。总体而言,ANN模型提供了一个可接受的折中方案,能够在保持预测稳定性的同时反映出短纤维增强混凝土中的非线性特性。
从文献中可以发现,ANN模型在预测混凝土复合结构行为的准确性及鲁棒性方面具有潜力[30,31,32,33]。本研究旨在开发并评估一个能够预测嵌入SCFRC(短纤维增强混凝土)中的扩展锚具断裂强度的ANN模型。为此,首先建立了包含 compressive strength、tensile strength、纤维特性以及实际测量得到的断裂强度的高质量实验数据集,并确认了所有参数的变异性在可接受范围内,以确保该数据集适合机器学习应用。基于这些验证数据,构建并优化了多种ANN架构,以确定能够最好地捕捉控制断裂性能的非线性行为的模型。最后,通过将所选ANN模型的预测能力与现有的基于CCD的设计方程和多元线性回归模型进行比较,评估了ANN在预测准确性及可靠性方面是否优于传统分析方法。
所有实验变量(包括compressive strength、tensile strength和breakout strength)均满足可接受的COV(共线性)限制(fc < 11%,ft < 15%,Nobs < 12%),证明了数据集适合用于ANN训练。在评估的多种架构中,使用ReLU激活函数并进行5折交叉验证的4-4-1 ANN模型表现最稳定,验证期间的R2值为0.6726,测试期间的R2值为0.9376,同时RMSE、MAE、MAPE和散布指数均低于0.1。这些结果表明该模型成功地捕捉到了SCFRC中控制断裂行为的非线性相互作用。SHAP分析显示,tensile strength 是最具预测力的因素,其次是compressive strength、纤维体积分数和纤维长度,这与纤维增强材料的断裂力学原理相符。与CCD-ACI/NSCP和MLR模型的比较表明,CCD方法仍适用于常规混凝土,但对于短纤维增强混凝土材料而言,该方法会低估其断裂强度。MLR模型在统计上表现优异,但缺乏捕捉非线性响应特征的灵活性。尽管ANN模型在绝对精度上不是最高的,但它为所有压缩强度范围内的断裂强度提供了一个可接受且结构上一致的近似值。
因此,研究结果证实,基于ANN的预测方法为估算SCFRC中的扩展锚具断裂强度提供了一种稳健且易于解释的方法。该模型整合了材料级别的变量和非线性行为,使其成为设计和评估中的有用辅助工具,有助于推动SCFRC在锚固应用中的更广泛使用,从而打造更安全、更具韧性的混凝土结构。除了上述发现外,未来研究还可以从多个方向进一步加强和扩展所提出的ANN框架的适用性。例如,通过扩展实验数据库以涵盖不同类型的锚具、嵌入深度和混凝土强度等级,可以使得预测模型在更广泛的锚固配置中更具通用性。进一步研究混合纤维系统可能揭示其对断裂性能的潜在协同效应,特别是在裂缝桥接效率、裂纹后抗力和断裂过程区域发展方面。此外,引入概率或基于可靠性的框架将有助于量化断裂强度预测的不确定性,为纤维增强混凝土锚固系统的设计开发提供更全面的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号