利用人工智能预测高性能纤维增强水泥基复合材料的损伤感知能力,以用于结构健康监测

《Computers & Structures》:Predicting Damage-Sensing Capacity of High-Performance Fiber-Reinforced Cementitious Composites Using Artificial Intelligence for Structural Health Monitoring

【字体: 大 中 小 】 时间:2026年07月22日 来源:Computers & Structures 5.6

编辑推荐:

  摘要:本研究提出了一种数据驱动的方法,用于预测自感知高性能纤维增强水泥基复合材料的损伤量度因子。研究采用了条件表格生成对抗网络来扩展仅有86个样本的有限数据集,从而构建出更为稳健的模型。随后,利用真实数据与合成数据相结合的方式,训练出了混合随机森林-贝叶斯优化模型。该方法取得了较

  摘要:本研究提出了一种数据驱动的方法,用于预测自感知高性能纤维增强水泥基复合材料的损伤量度因子。研究采用了条件表格生成对抗网络来扩展仅有86个样本的有限数据集,从而构建出更为稳健的模型。随后,利用真实数据与合成数据相结合的方式,训练出了混合随机森林-贝叶斯优化模型。该方法取得了较高的预测性能,在最优80/20训练-测试划分下,训练集、测试集以及10折交叉验证集的确定系数分别为0.871、0.863和0.863。SHAP值分析及偏依赖图分析表明,矩阵抗压强度、纤维长宽比以及电阻率变化是影响损伤量度因子的关键因素。此外,研究还基于Shapley值推导出了用于预测损伤量度因子的新理论公式,其性能同样令人满意。最后,研究开发了一套用户友好的网络应用,便于实际应用。所提出的框架不仅能够实现精准预测,还能提供物理层面的见解,为自感知水泥基复合材料的设计与结构健康监测提供了可靠且易用的工具。

引言:民用基础设施与建筑系统一旦发生意外故障,往往会导致严重的经济损失和人员伤亡。近几十年来发生的多起重大结构灾难都凸显了这一问题的严重性,例如2013年孟加拉国的拉纳广场坍塌事故(1,134人死亡)、2018年意大利的莫兰迪大桥坍塌事故(43人死亡),以及2019年巴西的布鲁马迪尼奥大坝事故(270人死亡)[1]。这些悲剧事件表明,迫切需要具备在灾难性故障发生前检测结构劣化程度的可靠监测系统。因此,结构健康监测作为一种预防结构突然坍塌的主动措施,受到了众多研究人员和工程师的关注。目前,结构健康监测中常用的传统传感技术,如应变计、锆钛酸铅传感器以及光纤布拉格光栅传感器,存在诸多局限性[2][3],包括较高的安装与维护成本、与结构较长使用寿命相比的耐用性不足、由于局部感测导致的监测范围受限,以及传感器嵌入结构部件后可能对结构性能产生不利影响等问题[1][3]。为解决这些缺陷,研究人员近期开发出了具有智能特性的应变强化纤维增强水泥基复合材料,这类材料兼具内在的自感知能力与优异的力学性能[3][4][5][6][7][8][9][10][11][12][13][14][15][16]。这类先进材料为下一代结构健康监测系统提供了有力替代方案,能够在保持良好结构性能的同时,在材料内部实现分布式感测。SHFRCs的自感知能力可分为弹性阶段的应变感知和应变强化阶段的损伤感知两类[15][17]。SHFRCs的损伤感知通常通过损伤量度因子来体现。由于SHFRCs在直接拉伸载荷作用下会出现多处微裂纹,因此裂纹发展与应变变化过程中会同时伴随电阻率的变化。损伤量度因子定义为裂纹形成后电阻率变化与对应拉伸应变的比值[15],它是衡量材料对损伤与变形敏感度的关键指标。较高的损伤量度因子值意味着该材料具有更强的电机械敏感性,即较小的应变或裂纹开口就能引起电阻率的显著变化。这一特性对于结构健康监测应用至关重要,因为它使得SHFRCs无需外部传感装置即可作为内置传感器,实现变形与损伤的检测。因此,研究损伤量度因子对于设计具备可靠自感知性能的SHFRCs、实现实时监测以及提升结构的安全性与耐久性具有重要意义。此前已有许多研究通过实验方法探讨SHFRCs的损伤量度因子[3][14][18][19][20][21][22][23][24][25]。例如,Song等人[3]发现,含有0至2.0体积百分比扭转钢纤维的SHFRCs的损伤量度因子值在30.16到166.8之间。他们还指出,加入炭黑或粒化高炉矿渣的SHFRCs虽然会使电阻率显著下降,但损伤感知能力仅有轻微提升。Nguyen等人[18]研究了不同类型钢纤维(长扭转纤维、长光滑纤维、长钩状纤维、中等扭转纤维、中等光滑纤维以及短光滑纤维)所制成的SHFRCs在直接拉伸载荷作用下的电机械响应。他们发现,当拉伸应变增加到裂纹形成阶段时,SHFRCs的电阻率会明显下降,这种下降是由于应变强化机制引发了多处微裂纹的产生。他们报告称,这类SHFRCs的损伤量度因子值在50到140之间,远高于大多数金属材料(约为2)。Lin等人[20]通过在基体体系中加入少量炭黑,研究了SHFRCs的自感知能力。他们发现,这类材料的损伤量度因子值从140.0上升到了725.5。尽管已有大量研究探讨了SHFRCs的损伤量度因子,但仍存在一些局限性。在自感知实验中,测量电阻率需要精心准备试样,并安装用于电阻测量的电极。通常,电极由铜板与银浆结合而成,或者是在试样表面连接的铜线[2],这都需要细致的准备和大量时间。此外,在拉伸试验过程中同时测量电阻率与施加的机械载荷,需要复杂的实验装置和精确的协调,单靠一名研究人员很难完成。另外,在加载过程中,尤其是SHFRC试样出现裂纹后,电极接触点可能会恶化或脱落,从而导致在试验结束前就无法完成电阻测量,进而造成数据收集不完整或不可靠。此外,养护龄期与加载条件等众多影响因素的存在,也要求需要大量试样才能获得可靠结果,这进一步增加了实验的成本与时间。因此,开发能够基于材料成分与力学参数估算SHFRCs损伤量度因子的可靠预测模型,已成为替代传统实验方法的理想选择。本研究提出利用机器学习模型来预测SHFRCs的损伤量度因子。由于机器学习技术在捕捉多个变量之间的复杂非线性关系方面表现出强大能力,因此可作为预测先进水泥基材料性能的有效工具[26][27][28][29][30]。通过利用现有的实验数据集,基于机器学习的模型能够大幅减少大规模实验室测试的需求,同时仍能准确预测SHFRCs的各项性能。不过,目前利用机器学习模型预测SHFRCs损伤量度因子的研究仍然较少。最近,Nguyen和Phan[1]提出了一种混合随机森林-粒子群优化方法来预测SHFRCs的损伤量度因子。具体而言,他们提出的混合RF-PSO模型在训练数据集上的表现较为出色(R2值为0.935),但其泛化能力却较为有限(在测试数据集上的R2值为0.737),其主要原因在于数据集规模较小(仅86个样本)。这凸显了现有研究的一个关键缺陷:缺乏能够处理小型稀疏数据集且不会过拟合的稳健预测框架。此外,目前还没有应用Shapley加性解释方法来研究输入参数对SHFRCs损伤量度因子的影响。而且,目前也不存在实用的工具(如用户友好的网络平台),帮助工程师在现实场景中应用这些预测模型。为弥补这些不足,本研究提出了以下内容:(i)采用条件表格生成对抗网络进行数据增强,以克服数据集规模小的问题;(ii)通过贝叶斯优化优化新的混合模型,提升其泛化性能;(iii)利用SHAP方法实现模型可解释性,为理解各参数的影响提供新思路;同时开发网络应用,便于工程实践中的使用。这些成果共同提升了预测能力并加深了对相关现象的理解,使得本研究的结果区别于RF-PSO等现有模型。本研究的具体目标包括:(1)利用CTGAN方法扩充有限的损伤量度因子数据集;(2)通过与其他不同训练-测试比例的模型进行对比,确定精度与性能最高的混合模型,从而证明CTGAN数据增强策略的有效性;(3)利用SHAP方法与偏依赖图,研究输入变量对SHFRCs损伤量度因子的影响;(4)基于SHAP方法推导出用于计算损伤量度因子的新的理论公式;(5)开发网络应用,方便工程师与实际从业者在工程设计中快速预测SHFRCs的损伤量度因子。这一工具有助于提高SHFRCs材料设计的决策效率,同时通过支持损伤监测与结构健康评估,为构建更安全的结构体系做出贡献。

典型拉伸状态下的SHFRCs量度因子:应变强化型水泥基材料的自感知能力可分为两种主要机制:对应于弹性阶段的应变感知,以及对应于应变强化阶段的损伤感知。图1展示了SHFRCs在单轴拉伸作用下的典型电机械耦合响应。图中实线表示拉伸应力-应变关系,而虚线则表示在此过程中电阻率的变化情况。

直接拉伸状态下SHFRCs量度因子的实验数据:高性能机器学习模型的成功开发在很大程度上取决于数据集的特性,包括其统计特征、输入变量的选取与数量、输出变量的定义、样本数量以及变量间的相关性程度。这些因素对决定模型的稳健性、泛化能力以及预测精度起着至关重要的作用。本研究为计算损伤量度因子,精心收集了相关数据库数据。

数据收集:需要指出的是,数据收集是构建机器学习模型以实现精准可靠预测的重要环节。因此,本研究十分重视所收集数据集的可靠性。首先,这些数据集来源于经过同行评审的已发表研究,其中的实验流程与结果都经过了专家的验证。本文旨在构建预测模型,用于预测拉伸状态下智能SHFRCs的损伤量度因子。

数据分布:在所收集的数据库中,共定义了六个不同的输入变量,用于预测拉伸状态下智能SHFRCs的损伤量度因子。这些变量分别是矩阵抗压强度(X1)、纤维长宽比(X2)、纤维体积含量(X3)、纤维指数(X4)、裂纹形成后的拉伸强度(X5)以及电阻率的变化值(X6)。其中纤维指数X4的计算公式为X4=Vf×Lf/df,它反映了纤维体积含量、纤维长度以及纤维直径的综合影响。选择这些输入变量是因为它们...

数据预处理:在机器学习中,数据预处理是一个至关重要的步骤,其目的是将原始数据转换为结构化且易于分析的形式。这一过程包括处理缺失值、检测并处理异常值、解决数据不一致问题,以及确保数据的质量与完整性。恰当的数据预处理能够提升模型的稳健性,改善机器学习模型的预测性能,同时降低出现有偏差或误导性结果的风险。在本研究中,还涉及了数据缩放等相关操作。

输入变量的数据缩放:当数据集中存在数值范围与物理单位不同的变量时,数据缩放就显得十分必要,这在工程领域的数据库中十分常见。如果不进行缩放,那些数值较大的输入变量可能会主导学习过程,从而影响模型训练,即便它们本身并非更具影响力。对输入变量进行标准化处理,能够确保所有变量对模型输出的贡献更加均衡,提升矩阵运算的数值稳定性,进而提高数据的可靠性。

数据分割:在本研究中,数据库被划分为训练集与测试集,分别采用了90/10、80/20、70/30和60/40四种不同的比例。这样的数据分配方式既能保证有足够的数据用于模型训练,又能保留独立的测试集,从而实现客观且无偏的性能评估。

性能评估指标:为了评估预测模型的性能,本研究采用了四种统计指标,包括确定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)以及平均绝对百分比误差(MAPE)。这些指标的数学表达式分别见方程(4)、(5)、(6)和(7)。具体公式如下:
R2=1-∑i=1n(GFpc,i-GFpc,i^)/∑i=1nGFpc,i-GFpc,iˉ
RMSE=1/n×∑i=1n(GFpc,i-GFpc,i^2)
MAE=1/n×∑i=1n(GFpc,i-GFpc,i)
MAPE=1/n×∑i=1n|(GFpc,i-GFpc,i)/GFpc,i|×100%

在上述每个公式中,n表示数据样本的数量。

CTGAN技术概述:生成对抗网络包含生成器G和判别器D。生成对抗网络旨在解决一个双方博弈型的极小极大优化问题,生成器与判别器会根据一个名为V(G,D)的价值函数展开竞争[33]。生成器的任务是在生成合成样本时尽可能接近真实数据分布,而判别器的职责则是区分真实数据与虚假数据[34]。在训练过程中,生成器与判别器的目标是相互对立的。该研究旨在准确识别用于评估SHFRCs损伤量度因子的合成数据库。研究采用了CTGAN模型生成包含200个样本的合成数据集,训练轮数为10000次,批量大小为500。图4展示了原始数据集与合成数据集中各输入变量(X1、X2、X3、X4、X5、X6)以及输出变量(GFpc)的概率密度分布对比情况。两种分布之间存在较大重叠时,表明两者具有高度相似性;而无重叠区域则说明数据集之间存在差异。为评估分布相似性,还采用了Kolmogorov-Smirnov检验方法。需要强调的是,使用CTGAN生成的数据还需要更严格的验证。为检测真实数据集与生成数据集之间的统计一致性,针对每个变量都进行了双样本Kolmogorov–Smirnov(KS)检验[38]。KS检验的分析结果见表3,各变量的经验累积分布函数曲线则显示在图7中。表3中还新增了“一致性”和“质量水平”两列,以便更直观地了解数据质量。

图8展示了本研究用于预测SHFRCs GFpc值的机器学习模型的整体开发流程。首先,基于真实数据集(86个样本),通过贝叶斯优化方法对随机森林模型的超参数进行调优。随后,在包含286个样本的真实数据与CTGAN生成数据的混合数据集上,以90/10(记为T90T10)、80/20(记为T80T20)等四种不同的训练集与测试集比例,对随机森林-贝叶斯优化混合模型进行训练与测试。

随机森林模型方面,Breiman[39]提出了随机森林算法,这是一种适用于分类和回归任务的强大集成学习方法。该算法通过从原始数据集中抽取自举样本,并在每次分割时随机选择部分输入特征,从而构建多个决策树,这一过程也被称为自举聚合或装袋法[40]。随机森林模型主要分为两个阶段运行:在第一阶段,会构建多个决策树。

贝叶斯优化方法方面,模型的预测能力在很大程度上取决于其超参数的选择是否恰当。贝叶斯优化作为一种高效的超参数调优策略,能够通过逐步筛选有潜力的配置来有效探索搜索空间。这种筛选是通过最大化基于概率替代模型构建的获取函数来实现的,该替代模型可用于近似目标函数[41]。

通过贝叶斯优化方法对随机森林模型的超参数进行优化,目的是找到最合适的配置以提高预测精度。与网格搜索和随机搜索等传统方法相比,贝叶斯优化在处理庞大且复杂的搜索空间时效率更高,因为它可以利用概率替代模型来指导有潜力的候选解的筛选[44]。在本研究中,贝叶斯优化被用来最小化……

图14的左侧展示了在不同训练集与测试集比例下,SHFRCs的预测GFpc值与实验测量值之间的关系,右侧则给出了相应的预测误差。为便于比较RF-BO模型的预测性能,图14a、14c、14e和14g中还绘制了最佳拟合线(y=x)。如果数据点紧密聚集在这条线附近,就说明模型的预测精度较高。

在本节中,同时采用了Shapley加性解释法和偏依赖图来分析各输入变量对SHFRCs GFpc值的贡献。这些可解释性工具有助于系统地分析每个输入参数对GFpc的影响,从而为SHFRCs的设计与优化提供有力依据。通过运用Shapley加性解释法和偏依赖图,可以清晰地揭示关键材料参数与损伤量度因子之间的关系。

本文提出了一种新的随机森林-贝叶斯优化混合模型,采用合成数据驱动的方法来预测应变硬化纤维增强水泥基复合材料的损伤量度因子GFpc。在多种不同的训练集与测试集比例下,研究共使用了286个数据样本(86个真实数据 + 通过条件表格生成对抗网络生成的200个合成数据)来对这种混合模型进行训练与测试。此外,还运用了Shapley加性解释法……

CRediT作者贡献声明:
Tan-Duy Phan:撰写——初稿、研究、数据整理、概念构思。
Duy-Liem Nguyen:撰写——审阅与编辑、可视化、验证、方法设计。

利益冲突声明:
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢:
本研究得到了越南胡志明市科技大学的支持。

Tan-Duy Phan | Duy-Liem Nguyen
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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