基于数据的可持续维护方法：水泥基结构的风致剥落评估

《Engineering Applications of Artificial Intelligence》：A data-driven approach for sustainable maintenance: Wind-induced spalling evaluation of cement-based structures

　　崔晓宁|龚莉|徐学青|李瑞斌|余福兰州交通大学土木工程学院，中国甘肃兰州730070摘要在沙漠环境中，混凝土结构持续遭受风沙磨损，这会加速表面剥落，威胁到基于水泥的基础设施的生命周期可持续性。准确识别风蚀引起的剥落现象对于早期损伤评估和可持续维护至关重要。为了解决这一问题，本研究提出了一种基于人工智能的语义分割模型，用于评估混凝土的风蚀损伤。与仅能提供粗略定位的检测方法不同，所提出的模型能够生成密集的二值掩码，以描述不规则的剥落区域和受损边界。该架构整合了注意力增强的跳过连接，以抑制环境噪声和表面污染，并采用方向感知的多尺度卷积块，捕捉不同尺度下的各向异性磨损模式和剥落特征。此外，还采用了结合加权交叉熵、Dice损失和边界交并比损失的复合损失函数，以提高前景与背景的平衡性以及边界的保留程度。实验结果表明，所提出的模型达到了0.9403的平均交并比，准确率、精确率和召回率分别为0.9954、0.9757和0.9843。消融实验进一步验证了注意力机制、方向感知多尺度特征提取以及边界感知损失设计的有效性。所提出的框架为将视觉检查图像转换为像素级的剥落信息提供了经过实验室验证的技术基础，有助于未来对风沙环境中的基于水泥的结构进行定量评估和维护规划。不过，目前的验证是基于具有模拟干扰条件的实验室喷砂图像，仍需使用沙漠基础设施的真实现场图像进行进一步验证，才能直接应用于实际场景。引言建筑行业面临着越来越大的压力，需要尽量减少对环境的影响，并提高基于水泥材料的生命周期可持续性。在诸如戈壁沙漠风沙地区这样的极端环境中，由于严重的风蚀作用，使得结构抗韧性难以保障（崔等，2022；程等，2017；李等，2021）。随着风沙颗粒不断撞击和磨损混凝土表面，材料逐渐剥落，导致表面密实度下降，内部钢筋暴露出来。这种明显的剥落会引发一系列有害后果：大气中的水分、二氧化碳和氯化物容易进入混凝土内部，进而引发钢筋腐蚀（崔等，2022；吴等，2025）。由此产生的膨胀和粘结力下降会形成一个恶性循环，逐步削弱结构的整体完整性（崔等，2025）。传统上，应对这种退化的方式是频繁地进行被动修补。这些传统的处理方法不仅在结构整个生命周期内消耗大量高碳水泥材料，而且修复时机往往不当，从而大大增加了生命周期内的碳排放。因此，风蚀引起的剥落不仅仅是表面损伤，它还是多因素耦合退化的关键催化剂，使得脆弱的内部结构更容易受到盐碱土壤侵蚀和严重冻融循环的破坏。克服这一瓶颈对于基础设施的可持续性至关重要。因此，准确监测和评估这种早期的退化现象，是迈向积极主动、以数据为驱动的维护策略的前提，这样的干预措施能够有效延长结构的使用寿命，确保基于水泥的结构的长期稳定性。风蚀引起的剥落机制十分复杂，是由高速颗粒撞击和持续磨损的协同作用所驱动的（崔等，2022；吴等，2022）。随着侵蚀的加剧，原本光滑的混凝土表面会变得粗糙，这会增加摩擦力，同时也会吸附更多沙子，从而形成加速退化的非线性循环（舒等，2022）。这种物理退化还会受到地形风道效应和表面动力学等多方面环境因素的复杂影响（张等，2025；雷纳尔等，2025；吴等，2021；邹等，2022；江等，2021）。由于这些参数变化很大，导致退化模式难以预测，传统的视觉检查很难量化这种形态演变。这就凸显出运用先进的数据分析技术来精准追踪退化情况的必要性。随着计算机视觉技术的进步，深度学习算法已成为自动检测材料损伤的重要工具（徐等，2025；王等，2023；赖等，2024；罗索等，2024）。最近的研究还表明，数据驱动和机器学习框架正越来越多地被应用于更广泛的混凝土工程任务中，从预测钢筋混凝土柱的耐火性和火蚀剥落行为，到考虑强度、成本和碳排放因素的钢纤维增强混凝土的可持续配合比设计（徐等，2026；于等，2025）。目前，这些数据驱动的策略主要用于检测混凝土表面的异常，尤其是裂缝（凯姆等，2026；刘阳等，2025；巴杜格等，2023；吉塔和西姆，2022；孟等，2024；李等，2023；刘森等，2025；庞等，2025）。最近的文献展示了如何利用人工智能增强技术来解决特定的基础设施难题。例如，融入Transformer原理的模型（赵等，2024）或像YOLO-V8这样的注意力机制模型（杨等，2024），都显著提高了裂缝分割的准确性。其他研究则通过CycleGANs来解决数据不足的问题（黄等，2024），或利用基于频率的损失函数来降低环境噪声的影响（张和刘，2024）。此外，像PCS-Net（陈和张，2024）和KANs（史和罗，2025）这样的轻量级网络也证明了通过减少计算参数，可以打造出灵活、高效的人工智能解决方案，以便于实现可持续的现场基础设施管理。尽管基于计算机视觉的裂缝识别技术已经相当成熟，但针对基于水泥的结构的风蚀剥落现象的研究仍然相对有限。在极端的风沙环境中，剥落现象往往比局部裂缝更为普遍且危险，因为它会直接去除表面材料，降低表面密实度，同时还会加速内部结构暴露在水分、氯化物和其他侵蚀性物质中的程度（崔等，2022；吴等，2025）。因此，对于那些处于恶劣沙漠环境中的基础设施而言，精确的数据驱动式评估风蚀剥落现象对于早期退化评估以及可持续维护来说至关重要。我们之前的研究使用了经过Transformer改进的YOLOv4目标检测框架来研究风蚀引起的混凝土剥落现象（崔等，2022）。那项研究证明了自动识别剥落区域的可行性，但它采用的是边界框级别的检测任务。虽然边界框能够快速定位，但却无法准确表示不规则的剥落边界、破碎的侵蚀形态或像素级的损伤区域。对于以维护为目的的评估而言，这类像素级信息非常重要，因为剥落区域的实际形状、面积比例以及边界特征与表面恶化评估和维修计划有着更直接的关联。因此，从粗略的目标检测转向密集的语义分割，对于更定量、更细致地评估风蚀剥落现象来说是必要的。为满足这一需求，本研究开发了WindSpall-UNet，这是一种专门为评估处于戈壁沙漠风沙环境中的基于水泥的结构的风蚀剥落现象而设计的、基于数据驱动的语义分割模型。该框架将风蚀的物理磨损特性与退化混凝土表面的形态特征相结合，能够自动识别并使用密集的二值掩码来分割剥落区域，而非使用矩形检测框。具体而言，会在跳过连接中嵌入卷积块注意力模块，以抑制背景噪声和表面污染，同时还会设计方向感知的多尺度卷积块，以便捕捉各向异性的磨损模式、细长的受损区域以及大面积的剥落斑块。此外，还采用了结合加权交叉熵、Dice损失和边界交并比损失的复合损失函数，以提高前景与背景的平衡性以及边界的保留程度。与那些主要通过引入注意力门或通道/空间重新校准来增强特征选择的普通基于注意力的U-Net变体不同，WindSpall-UNet是根据风蚀剥落的特定形态来设计的。所提出的模型将跳过连接注意力过滤与方向感知的多尺度卷积相结合，这样在编码器-解码器特征融合过程中就可以抑制背景噪声和表面污染，同时在卷积块中则可以捕捉到细长的磨损痕迹、细小的受损区域以及大面积的剥落斑块。因此，这项研究的创新之处不在于单独使用注意力机制，而在于构建了一个针对特定任务的分割框架，该框架整合了基于注意力的噪声抑制、方向感知的特征提取、多尺度感受野建模以及边界感知优化，用于风蚀剥落现象的评估。本研究的主要贡献总结如下。首先，这项工作将我们之前基于检测的风蚀剥落识别方法从边界框级别的定位提升到了像素级的语义分割，从而能够更准确地呈现不规则的剥落形态、边界特征以及损伤区域。其次，提出了专门用于像素级风蚀剥落分割的任务特定WindSpall-UNet架构。第三，通过包括基线对比、模块消融、损失函数消融、阈值敏感性分析、重复运行统计评估以及计算效率评估在内的系统实验，验证了所提出方法的有效性和可重复性。最后，所提出的框架能够将原始的视觉图像转换为像素级的损伤信息，为未来基于现场的评估以及基于水泥的基础设施的可持续维护提供了技术基础。从风蚀样本制备和图像采集到模型优化以及像素级评估，本研究的整体方法论框架如图1所示。测试设备为了模拟现实世界沙质环境中的风蚀对混凝土的破坏作用，我们使用了喷砂装置进行了喷砂试验。实验中使用的沙粒是从实际现场直接收集的。喷砂试验的工作原理如图2所示。如图所示，空气由空气压缩机加压后储存在空气罐中。气流的流量则由主控制台上的阀门调节。当空气流动时基线在用于识别混凝土表面明显损伤的语义分割任务中，作为经典基线的U-Net架构具有明显的优势。它对称的编码器-解码器结构以及其中的跳过连接，有助于在编码器中提取高级特征，同时通过层间特征融合，能够在解码器中有效地恢复细小的边界和小型目标。与那些依赖大规模自注意力机制的模型相比，U-Net的参数量更少——训练环境与实现细节所有模型都是使用Python 3.9和PyTorch 2.8.0在计算机上实现的，训练是在一台配备有16GB内存的NVIDIA RTX 4080 Super图形处理单元的工作站上进行的。原始的3000 × 3000像素图像及其对应的掩码被调整为512 × 512像素，以便用于模型训练和推理。模型的优化是使用Adam优化器进行的，初始学习率为3 × 10?4，批量大小为2。每个模型均训练了300个周期，且没有提前停止。对于模型训练WindSpall-UNet的训练过程如图12所示。如图12(a)所示，在训练初期，训练损失迅速下降，随后逐渐稳定，这表明模型得到了有效的优化。验证损失也呈现出与训练损失相似的趋势，两条曲线之间没有出现明显的偏差。这说明在所采用的训练配置下，模型并没有出现严重的过拟合现象。图12(b)显示了结论本研究开发了WindSpall-UNet，这是一种用于在风沙侵蚀条件下识别基于水泥的结构上风蚀剥落的像素级语义分割框架。与以往主要提供粗略定位的检测方法不同，所提出的方法能够生成密集的分割掩码，从而更详细地呈现不规则的剥落形态、受损边界以及表面退化区域。该框架整合了基于注意力的——CRediT作者贡献声明崔晓宁：撰写——初稿、方法论、形式分析、概念构思。龚莉：撰写——审阅与编辑。徐学青：撰写——审阅与编辑、形式分析。李瑞斌：形式分析。余福：撰写——审阅与编辑。资金支持这项研究得到了中国国家自然科学基金（52569022，72261024）、甘肃省重点科技专项（23ZDFA002）、甘肃省自然科学基金（23JRRA862）、兰州市青年科技人才创新项目（2025-QN-061）、兰州交通大学与对口支援高校联合创新基金项目（LH2024026）以及天佑博士后基金项目（TYBSH-KJ-202401）的支持。利益冲突声明我们确认，本文不存在任何已知的利益冲突，也没有任何可能影响研究结果的重大财务资助。我们确认，所有列出的作者都已经阅读并批准了手稿，而且没有其他符合作者资格但未被列入名单的人士。我们还确认，手稿中作者的排序已经得到了所有人的认可。我们确认我们已经