利用人工智能及改进型 Sigmoid 人工神经网络分析掺有可持续材料的钢纤维增强自密实混凝土的流动与力学性能

《Knowledge-Based Systems》：Leveraging Artificial Intelligence with a Modified Sigmoid Artificial Neural Network to Analyze Flow and Mechanical Properties of Steel Fiber-Reinforced Self-Compacting Concrete with Sustainable Materials

　　

摘要

掺入可持续辅助胶凝材料的钢纤维增强自密实混凝土 (SFRSCC) 在实现足够的工作性与增强的机械性能方面具有巨大的潜力。然而，其新拌和硬化状态下的性能受控于胶凝材料组成、骨料级配、水和高效减水剂含量，以及钢纤维几何形状和掺量之间强非线性和耦合的相互作用。因此，传统的配合比设计程序和基于标准回归的方法在同时分析和预测多种 SFRSCC 性能方面的能力有限，且通常需要大量的实验测试。本研究利用人工智能，通过修正型 S 型人工神经网络 (mSigmoid-ANN) 来分析和预测可持续钢纤维增强自密实混凝土的流动性和机械性能。掺入高炉矿渣粉 (GGBS)、粉煤灰、微硅粉以及混杂带钩钢纤维和微钢纤维的 60 MPa 和 80 MPa SCC 配合比经过评估，使用了坍落扩展度、V 漏斗、L 型箱、U 型箱和 J 环测试，以及抗压强度、抗劈裂强度、抗弯强度和弹性模量测量。混合物组分和纤维掺量作为模型输入，而实验测量的新拌和硬化性能作为预测目标。修正型 S 型 ANN 使用基于梯度的优化和早停的反向传播进行训练，同时采用重复运行稳健性评估和预测区间来评估预测可靠性。对于实验开发的数据集，模型在流动性能预测方面的决定系数超过 0.998，机械性能预测约为 0.993，最大预测误差保持在 10% 以下。使用四个独立的文献数据集进行外部验证，测试集 R2 值分别为 0.97, 0.95, 0.97 和 0.95。这些结果表明修正型 S 型 ANN 有效地捕捉了混合物组成、钢纤维特性、流动行为和机械性能之间的非线性关系，为评估掺入可持续材料的钢纤维增强自密实混凝土提供了一种可靠的数据驱动方法。

引言

历史上，混凝土一直是全球最普遍的建筑材料 [1]。它在全球建筑项目中的广泛应用巩固了其作为人类基础设施可靠且必要组成部分的地位。自罗马帝国时代以来，混凝土在各种文化的发展和增强中发挥了关键作用。混凝土的“魔力”不仅在于其从流体到固态的转变特性，还在于其价格低廉、广泛可得、可锻性、塑性、适应性、高抗压强度、刚度和耐久性 [[2], [3], [4]]。研究人员继续热情地探索混凝土工程这一专业领域，揭示了诸如活性粉末混凝土等创新材料的广阔前景。标准做法是获取足够大量的混凝土配合比样本，以推断整批次的结论。根据参考文献 [[5], [6], [7]]，第 7 天的混凝土测试对于评估早期强度至关重要，尽管混凝土在第 28 天达到完全强度，但仍需类似的时间进行样本检查。28 天的测试结果作为预测混凝土随时间变化的抗压强度的基础。这些程序符合既定的设计标准，然而当处理超出传统水泥、骨料和水的混凝土组成时，这些设计标准可能显得不足。当引入火山灰和掺合料等替代组分时，计算混凝土配合比抗压强度的复杂性增加，特别是在高强混凝土配方中 [[8], [9], [10]]。掺合料和温度的影响等因素可能显著影响抗压强度结果。在这种情况下，标准建议的经验关系往往无法捕捉全部复杂性，需要开发可靠的模型来及时评估各个龄期的混凝土强度，这对于满足无法等待传统 28 天测试结果的紧急项目截止日期至关重要。考虑到建筑过程的生产力驱动性质，等待测试结果所节省的时间转化为切实的经济效益。因此，探索替代方法变得势在必行。关于这些非传统方法的有效性，仍有相当大的辩论和探索空间。

自密实混凝土 (SCC) 可以被视为一种流动阻力很小的混凝土，因此它可以在自重下浇筑和密实，几乎不需要振动，同时具有足够的粘度以进行处理而不发生离析或泌水。SCC 于 20 世纪 80 年代末在日本开发，作为实现独立于施工质量的耐久混凝土结构的解决方案 [11]。在设计 SCC 时，通常使用新一代聚羧酸基高效减水剂，并结合一些提供必要粘度的化学或矿物掺合料。SCC 的新拌机械性能通常通过流变仪确定，该仪器测量混凝土处于塑性状态时的粘度和屈服强度。然而，这种设备偏向实验室，通常不适合现场使用。因此，其他面向现场的测试方法被用于量化实验室和现场的 SCC 新拌性能和工作性。纤维增强混凝土 (FRC) 一词可以定义为包含分散随机取向纤维的混凝土。混凝土在拉伸载荷下固有地是脆性的，混凝土的机械性能可以通过随机取向的离散纤维得到改善，这些纤维防止或控制裂缝的起始、扩展或合并 [12]。FRC 的特性和性能发生变化，取决于混凝土和纤维的性能。通常感兴趣的纤维性能是纤维浓度、纤维几何形状、纤维取向和纤维分布。此外，使用单一类型的纤维可能只能将 FRC 的性能提高到有限的水平。然而，混杂化的概念，即在混凝土中添加两种或多种类型的纤维，可以提供更具吸引力的工程性能，因为一种纤维的存在使得另一种纤维潜在性能的更有效利用成为可能 [13,14]。许多研究人员提出了在 SCC 配合比中使用纤维 [15,16]。取决于最大骨料粒径、纤维体积、纤维类型、纤维几何形状和纤维长径比等众多参数，向混凝土中加入纤维会降低混凝土的工作性。FRC 工作性的降低是现场应用的一个障碍。然而，混杂 FRC 和 SCC 的结合可以提供一种生产混杂纤维增强自密实混凝土 (HFR-SCC) 的方法，该方法不仅具有优良的硬化状态性能，也具有优良的新拌状态性能。Li 等人 [17] 通过实验研究了单纤维和混杂纤维（钢和 PVA）对高强纤维增强自密实混凝土的工作性、机械性能和随时间变化的行为的影响。结果表明，混杂纤维提供了抗弯性能和干燥收缩抵抗力的协同改善，而纤维因子显著影响坍落扩展度、T50 和通过能力。提出了一个结合纤维因子的双曲线模型来预测干燥收缩，展示了纤维特性与随时间变化的变形之间的强耦合。

SCC 的关键特性包括填充能力、通过能力和抗离析性 [18]，这是通过更高的可接受颗粒含量（颗粒 <0.125 mm）、低水灰比和使用高效减水剂来实现的 [19]。二十多年来对 SCC 的研究促成了诸如纤维增强自密实混凝土 (FRSCC) 等专业发展，它将 SCC 的优势与纤维增强结合起来以提高性能和延性；特别是，钢纤维增强了开裂后的能量吸收，并将延性引入原本脆性的基质 [[19], [20], [21]]，同时也改善了硬化性能，如强度和韧性 [22]。钢纤维有多种类型和尺寸，使用从微纤维到宏纤维的组合进行混杂可以进一步增强混凝土性能 [23,24]；然而，尽管有这些好处，钢纤维也可能对流变行为和工作性产生不利影响 [25]。钢纤维的影响取决于掺量和几何特性，特别是长径比 [26]，增加纤维含量通常会降低钢纤维增强自密实混凝土 (SFRSCC) 的工作性 [27]，使得适当的配合比对可靠性能至关重要。尽管如此，评估 SFRSCC 的工作性和优化配合比仍然复杂且往往重现性不足，并且对关键性能（如抗压强度）的实验评估耗时且资源密集，这促使了使用人工神经网络 (ANN) 作为通过数据驱动的非线性映射来预测和优化 SFRSCC 性能的有效工具。

K?na 等人 [28] 使用 48 种实验设计的配合比比较了极限学习机 (ELM) 和长短期记忆 (LSTM) 模型，用于预测混杂纤维增强自密实混凝土的新拌性能。输入包括胶凝材料组分、骨料、水、掺合料和纤维比例，而选择坍落扩展度、t50 和 J 环值作为输出。ELM 模型表现出卓越的预测性能，对坍落扩展度、t50 和 J 环的准确率分别达到 99.71%、81% 和 94.21%，优于深度学习 approach。尽管对自密实混凝土和纤维增强系统进行了广泛研究，但一种科学一致且实际可用的方法，用于联合预测掺入辅助胶凝材料的混杂钢纤维增强自密实混凝土的新拌和硬化性能，仍然有限。传统的配合比设计程序和基于经验或回归的方法无法完全捕捉混合物组成（水泥、GGBS、粉煤灰、微硅粉、骨料、水和高效减水剂）和纤维参数（类型、几何形状和掺量）对流动指数（坍落扩展度、V 漏斗时间、L 型箱比率、U 型箱高度差和 J 环）以及机械性能（抗压强度、抗劈裂强度、抗弯强度和弹性模量）的强非线性和耦合影响。此外，在高维混合物空间上的实验测试耗时且资源密集，并且材料变异性引入了很少被量化的不确定性，这可能导致高相关性度量（如 R2）与实际重要的绝对误差水平之间的不一致。这造成了一个方法论上的差距，需要一个预测框架，该框架能够学习从混合物组分到多个性能输出的非线性映射，同时提供稳健性和不确定性信息以支持可靠的决策。本研究的目的是开发并验证一个可靠的基于人工神经网络的多元输出预测框架，该网络具有修正型 S 型激活和稳健性 - 不确定性评估，称为 mSigmoid?ANN?RU，用于估计使用辅助胶凝材料生产的可持续混杂钢纤维增强自密实混凝土的流动性和机械性能。Shokrnia 等人 [29] 使用 228 个实验数据集开发了结合元启发式优化器（WCA、PSO 和 GWO）的混合机器学习模型（ANFIS 和 ELM），用于预测 SiO2 改性纤维增强混凝土的抗压强度。该研究发现，与 GWO 耦合显著改善了训练和泛化能力，ELM?GWO 被认定为表现最佳的模型。对于测试集，ELM?GWO 实现了 R2=0.9510，RMSE=3.985 和 PMARE=5.421%，证明了从混合物和龄期参数进行准确强度预测。

Hadi 等人 [30] 开发了一个集成机器学习框架，用于预测掺入环保辅助胶凝材料的自密实混凝土的流变性能（坍落扩展度、L 型箱比率、V 漏斗时间）和 28 天抗压强度。该研究比较了 SVM、MARS 和 Mp5-MT 模型，并使用重力搜索算法 (GSA) 进行超参数优化，进一步提高了 MARS 性能。结果表明，Mp5-MT 实现了最高的整体预测准确率，而 MARS-GSA 使某些流动参数的相关性性能提高了多达 11.1%。混凝土配合比包括水泥、粒化高炉矿渣粉 (GGBS)、粉煤灰、微硅粉、粗骨料、机制砂 (M-sand) 以及带钩和微钢纤维。为了识别各种组成中表现最佳的 SCC 样本，对新拌状态流动指数和硬化机械性能进行了对比分析，包括抗压强度、抗劈裂强度、抗弯强度和弹性模量。混杂钢纤维增强自密实混凝土 (SFRSCC) 的机械特性使用增强型稳健性和不确定性分析的修正型 S 型激活人工神经网络进行评估，称为 mSigmoid?ANN?RU。提出的框架将基于 ANN 的非线性映射与面向可靠性的评估协议相结合，为 SCC 新拌和硬化性能提供稳定预测，并支持配合比设计决策。本研究的科学新颖性在于引入了一种面向可靠性的、多元输出预测框架，用于可持续混杂钢纤维增强自密实混凝土，使用 mSigmoid-ANN-RU 联合建模新拌状态流动指数和硬化机械性能。与许多现有的基于 ANN 的 SCC 研究不同，后者侧重于单一输出（通常是抗压强度）并报告来自单一训练实现的结果，所提出的方法将修正型 S 型激活函数与跨重复训练运行的稳健性评估以及基于百分位数的预测区间 (Qα/2,Q1?α/2) 的不确定性量化相结合，从而支持对预测稳定性和不确定性的评估。此外，该工作提供了掺入 GGBS、粉煤灰、微硅粉和混杂钢纤维的 60 MPa 和 80 MPa SCC 配合比的实验生成数据集，使得能够直接验证可持续 SCC 配合比设计的多性能预测。

为实现这一目标，本研究进行了受控实验，生产了掺入粒化高炉矿渣（GGBS）、粉煤灰和硅灰以及混合钢纤维（钩端钢纤维和微钢纤维）的 60 MPa 和 80 MPa 自密实混凝土（SCC）混合物，并使用 EFNARC 程序和相关的印度标准（IS）评估其新拌和硬化性能；随后构建了一个输入 - 输出数据集，以混合物组分和纤维用量作为预测变量，以关键流动性和强度参数作为目标变量；使用基于梯度优化器的反向传播和早停法设计并训练 mSigmoid?ANN?RU 模型以提高泛化能力；通过在不同初始化和数据划分下重复训练来评估鲁棒性；使用基于百分位的预测区间 (Qα/2, Q1?α/2) 评估预测不确定性，以支持对预测稳定性和不确定性的评估；并将提出的框架与多个文献数据集进行验证，以证明其在可持续 SCC 配合比设计中的准确性、稳定性和适用性。

章节片段
材料使用
本研究使用的水泥是符合相关 BIS 标准的 OPC 53 级水泥。辅助胶凝材料，包括粉煤灰、GGBS、硅灰、偏高岭土和石灰石粉，部分替代 OPC 以提高性能和可持续性。它们的氧化物成分总结在表 1a 中。粉煤灰（IS 3812）、GGBS（IS 12089）和硅灰（ACI 234R-96）提高了强度、粘度和耐久性特征 [31]。机制砂（SG=2.76）和

结果与讨论
用于预测 SCC 流动性和强度性能的 mSigmoid-ANN-RU 模型是在 Windows 10 Pro (64 位) 系统上实现的，该系统配备 2 GHz CPU 和 8 GB RAM，并使用 MATLAB R2 环境。通过比较实验和模拟结果来评估模型性能，使用的统计指标包括决定系数 R2 和基于误差的度量，如 MSE 和 RMSE。尽管一些基于百分比的误差看起来相对较高，但这并不与高的 R2 和低的 MSE 相矛盾

结论
提出的 mSigmoid-ANN-RU 框架采用修改后的 sigmoid (mSigmoid) 激活函数，并使用基于梯度优化器的反向传播和早停法进行训练。此外，纳入了鲁棒性和不确定性分析，以提高预测稳定性并为预测的 SCC 性能提供可靠性边界。总之，该研究的发现如下：1. 开发了一个名为 mSigmoid-ANN-RU 的多输出预测框架，用于估计两者

CRediT 作者贡献声明
J. X. Chean Liang：写作 – 原稿起草，项目管理，方法论，调查，资金获取，概念化。K.J. Mohamed：写作 – 审查和编辑，写作 – 原稿起草，形式分析，数据管理。H. Aliaszade Elhosiny：写作 – 审查和编辑，可视化，验证，监督，软件，资源。S. Elattar：方法论，软件，监督，验证，写作 – 审查和编辑。J.E. Gutierrez：概念化，形式分析，J. X. Chean Liang|K.J. Mohamed|H. Aliaszade Elhosiny|S. Elattar|J.E. Gutierrez