《Measurement》：Non-destructive strength evaluation of existing concrete structures: from empirical models to machine learning
编辑推荐：
摘要芯样取样是评估现有混凝土结构抗压强度最直接的方法，但其应用受到局部损伤、取样位置受限以及获取代表性样本的困难限制。因此，人们通过将实测参数与抗压强度之间的经验关联关系，广泛使用无损检测（NDT）和部分破坏性方法，这类方法通常需要以芯样测试结果作为校准依据。尽管结合多种基于不同
摘要
芯样取样是评估现有混凝土结构抗压强度最直接的方法，但其应用受到局部损伤、取样位置受限以及获取代表性样本的困难限制。因此，人们通过将实测参数与抗压强度之间的经验关联关系，广泛使用无损检测（NDT）和部分破坏性方法，这类方法通常需要以芯样测试结果作为校准依据。尽管结合多种基于不同物理原理且具有互补敏感度的检测方法可以提高预测精度，但其可靠性仍取决于材料与环境条件、校准质量以及模型的适用性。机器学习领域的最新进展为捕捉NDT检测结果与抗压强度之间复杂的非线性关系提供了新的途径，这种关系超出了传统经验方程的范畴。本综述全面总结了用于估算现有混凝土结构抗压强度的经验方法及基于机器学习的方法，尤其强调了NDT检测数据以及与混凝土配合比相关的变量对预测性能的影响。此外，还探讨了未来研究方向，以解决标准化现场数据不足的问题，并提升基于机器学习的NDT方法在抗压强度评估中的实际应用中的不确定性评估水平。
引言
评估混凝土结构的抗压强度对于判断其安全性、使用性能以及确定维护要求至关重要。虽然芯样测试能够直接评估原位混凝土的抗压强度，但由于局部损伤、取样点有限，以及从结构不均匀性中获取代表性数据的难度，其应用受到诸多限制[1]。在那些已经出现劣化的混凝土结构中，这些问题更为突出，因为施工记录、混凝土配合比、养护条件以及结构所处环境的历史信息往往不完整或无法获取。因此，人们广泛采用无损检测（NDT）和半破坏性检测方法来辅助强度评估，并优化芯样取样的策略[2]、[3]。
目前已有多种NDT方法被开发出来用于估算混凝土强度，包括回弹法、超声脉冲速度法、贯入阻力法、拔出法和拉拔法[4]、[5]、[6]、[7]、[8]。人们提出了众多经验公式，将这些NDT参数与抗压强度联系起来。已有不少综合性研究汇总了针对回弹法和超声脉冲速度法的数十种强度预测模型。这些关系通常以线性、指数、幂函数或多项式形式表达，为无需进行大量破坏性测试就能估算强度提供了实用方案。
然而，建立一种通用的NDT检测结果与强度之间的关系仍然具有挑战性，因为每种方法都是检测混凝土不同区域的不同物理响应。例如，回弹法主要反映的是表层硬度，而超声脉冲速度法则通过波传播特性来体现混凝土内部的密实程度。由于这两种检测结果都不是抗压强度的直接测量值，它们极易受到湿度、龄期、骨料特性、混凝土配合比、碳化作用、裂缝以及现场检测条件的影响。因此，基于特定数据集建立的经验关联关系在其校准范围之外往往缺乏适用性，通常还需要用芯样强度数据来进行验证。
为了提高预测的可靠性，研究人员越来越倾向于结合多种NDT技术，而非仅依赖某一种检测方法[9]、[10]、[11]。其中应用最广泛的例子是SonReb方法，该方法结合了回弹法和超声脉冲速度法，从而利用表层硬度和内部波传播特性所提供的互补信息。众多研究都表明，使用SonReb以及其他多NDT技术组合能够提升预测精度。不过，这些方法依然依赖于预先设定的经验公式，而且往往需要针对不同的混凝土配合比、强度范围以及环境条件进行重新校准。因此，当把这些模型应用于那些材料历史信息不明的现有结构时，仍然存在一定的不确定性。
为克服传统经验模型的这些固有局限，机器学习领域的最新进展带来了新的机遇。与传统预先定义的回归方程不同，机器学习算法能够捕捉NDT检测结果与抗压强度之间复杂的非线性关系，同时还能纳入多个输入变量[12]。除了在NDT检测领域的应用外，机器学习模型还被成功应用于混凝土材料工程中复杂的成分-性能关系研究。这些应用包括弹性模量的预测、透水混凝土性能的预测以及抗压强度的预测，且都具有较高的预测精度和稳定性[13]、[14]。这些成功的应用进一步支持了在基于NDT的强度评估中应用机器学习技术。因此，包括基于核方法的模型、基于树集成的模型、基于神经网络的模型以及软计算模型在内的多种机器学习技术都被应用于强度预测领域。最近的研究还进一步整合了与混凝土配合比相关的变量、环境条件以及优化技术，以提高预测性能。此外，可解释人工智能技术也开始帮助人们了解各个变量的重要性，以及那些“黑箱”模型的决策过程。
尽管已有众多研究探讨了用于混凝土强度预测的经验关联关系以及基于机器学习的方法，但大多数研究主要集中在单个模型的开发以及预测精度方面。因此，现有模型尚未从整体上总结出其对基于NDT的现有结构抗压强度评估的综合影响。本综述通过整合这些单独的研究成果，分析了从基于经验回归的方法向基于机器学习建模的方法的发展历程，特别关注了输入变量组成以及学习方法对预测性能的影响。图1展示了这一方法发展的概要。首先介绍了常见的NDT检测方法和半破坏性检测方法，阐述了它们的检测原理及其影响因素，随后介绍了基于单一NDT参数以及多种NDT参数组合的经验模型。接着分析了近期基于机器学习的研究，涉及到了数据集、算法、输入变量以及预测性能等方面。重点探讨了预测精度是如何从仅使用单一NDT检测参数逐步发展到使用多种NDT检测参数，再到引入与混凝土配合比相关的变量后的变化趋势。此外，本综述还通过可解释人工智能技术分析了基于机器学习的强度预测的可解释性，并探讨了在数据质量、检测差异以及模型泛化能力等方面，这类模型的可靠性及其在实际应用中的适用性。
章节要点
用于强度评估的NDT检测
在那些需要尽量减少结构损伤的情况下，芯样取样可能并不现实或难以实施；在这种情况下，就可以采用NDT检测方法。这些方法并非要完全取代芯样测试，而是通过识别具有代表性或关键的取样位置，来减少所需芯样样本的数量。针对现有结构的原位检测工作分为两个阶段。在第一阶段，通过钻取芯样来确定混凝土的抗压强度，而相应的原位检测则
单一NDT参数的经验关联关系
这些方法是通过建立实测NDT参数与芯样强度之间的经验关联关系来估算混凝土强度的。目前已有关于单一NDT参数的经验关系研究，这些参数包括回弹值、P波速度、贯入阻力、拔出力以及拉拔强度。由于NDT检测结果是由特定的测试物理机制和材料条件所决定的间接指标，因此经验模型通常是为特定的应用目标而建立或校准的
机器学习方法
基于这一发展趋势，基于机器学习的方法越来越多地被应用于基于NDT的混凝土抗压强度评估领域[52]、[95]、[96]、[97]、[98]、[99]、[100]、[101]、[102]、[103]、[104]、[105]、[106]。虽然之前关于混凝土抗压强度预测的研究主要聚焦于养护条件或混凝土配合比设计对强度的影响，但本综述的重点是现有混凝土结构，研究那些至少使用了某一NDT参数作为输入特征的研究。许多研究已经
结论
本综述研究了用于基于NDT方法估算现有混凝土结构抗压强度的经验方法以及基于机器学习的方法。可以得出以下结论：
- 1)
传统的经验方程由于受到诸多因素的限制，其准确性往往较差，因为NDT检测结果会受到湿度、龄期、混凝土配合比、骨料特性以及现场检测条件等因素的影响。虽然结合多种NDT检测方法能够提高预测精度，但它们的
CRediT作者贡献说明
Joohye Park：撰写——初稿撰写，数据整理。Jinyoung Hong：撰写——审阅与编辑，正式分析。Eunjong Ahn：撰写——审阅与编辑，项目指导。Kyung-Joon Shin：项目管理，资金申请。Hajin Choi：项目指导，资金申请。
利益冲突声明
作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：Kyung-Joon Shin表示获得了韩国国家研究基金的财政支持；Hajin Choi也表示获得了韩国国家研究基金的财政支持。如果还有其他作者，他们声明自己不存在任何可能影响本研究工作的已知财务利益或个人关系
致谢
本研究得到了韩国国家研究基金（NRF）通过基础科学研究计划的支持，该计划由韩国教育部门资助（编号：RS-2025-25419239），同时还得到了韩国政府科技信息通信部资助的韩国国家研究基金项目（编号：RS-2023-00210317）的支持。
Joohye Park|Jinyoung Hong|Eunjong Ahn|Kyung-Joon Shin|Hajin Choi
