基于单天线微波技术结合机器学习方法估算砌体材料含水率的应用研究

《Applied Sciences》：Application of Machine Learning Methods for Moisture Estimation in Masonry Materials Using a Single-Antenna Microwave Technique

　　

建筑材料中（尤其是砌体结构内）的水分会对建筑物的耐久性、适用性与安全性产生不利影响，因此亟需开发能够可靠评估含水率的非破坏性诊断方法。微波技术可通过材料电磁特性（特别是表观介电常数（apparent permittivity））的变化间接测定含水率。本文旨在展示基于实验室微波测量、应用机器学习方法估算砌体材料含水率的研究。研究采用单天线同时作为发射与接收天线的测量装置，该配置提升了现场（in-situ）诊断的实用性，但也增加了实测信号解译难度。预测模型基于scikit-learn库及专用自动选优软件构建。结果表明，机器学习可作为辅助解译微波数据、提升砌体结构非破损含水诊断精度的有效工具。

研究背景方面，建筑围护结构中的水分会通过毛细上升、蒸汽冷凝等途径损害结构安全，传统重量法（gravimetric method）虽准确但需取样破坏构件，对历史建筑尤为不利；微波法利用矢量网络分析仪（VNA）获取单天线S₁₁反射系数，其幅值、相位、实部与虚部关联材料复介电常数（complex permittivity）ε_r=ε_r′?iε_r″，而水分极性分子调制介电响应使含水率可反演，但单天线构型下信号受天线-样品距离、环境多径反射及材料非均质性干扰，常规解析模型难以刻画，故引入机器学习。该研究由研究人员在《Applied Sciences》发表，核心意义在于以单端口VNA加双脊喇叭天线（A. H. Systems SAS-571）采集校准后S₁₁数据，用六块250×120×60 mm、密度1850 kg/m³的砖样（1–3号训练、4–6号外部验证，每验证样813条测点共2439条）构建监督回归框架，证明小样本下树模型亦可达到RMSE 0.565百分点，为现场无损诊断提供新范式。

关键技术方法上，研究人员采用单端口VNA经SHORT/OPEN/LOAD三标准校准获得复反射系数原始序列，以重量法测得的0.05%间隔含水率为基准，将训练集按0.5%分箱得60组观测；算法侧基于Python 3.11与scikit-learn 1.6.1实现决策树（DT）、高斯过程回归（GPR，Matérn核ν调参）、支持向量回归（SVR，RBF核γ调参）、PCA降维后Ridge回归四类监督回归，并以专用脚本遍历超参选RMSE最小者；外部验证严格使用独立砖样细粒度序列评估泛化性。

研究结果各节结论如下：3.1节决策树模型中，最大深度D_max自1增至8扫描，D_max=4且25训练样本时验证RMSE最低0.565百分点、R²=0.95、MAE=0.471百分点，过深则训练误差归零而验证误差反弹，确认浅树抗过拟合最优。3.2节GPR模型扫描Matérn光滑参数ν∈{0.01,0.05,0.1,0.5,1.5,2.5,4.0}，ν=1.5与25样本得RMSE 0.820百分点；研究人员发现预测存在系统性偏移，以验证集均值差?0.777689092百分点作加法校正后RMSE降至0.261百分点（该值源自验证集本身，仅示潜在标定收益）。3.3节SVR模型扫γ∈10^?7~10，γ=0.0001与60训练样本最优，RMSE 1.193百分点、R²=0.78，显示SVR需更大数据量方收敛。3.4节Ridge+PCA模型中，保留方差比例0.1~0.99扫描，60%保留+60样本最优，RMSE 0.617百分点、R²=0.94，保留过高（0.99）训练误差极小但验证恶化，证PCA降噪必要。3.5节横向比较指出，无后校正时决策树综合最优，其RMSE低于Szczepaniak报道0.975、Suchorab等1.58百分点，略弱于Cetrangolo等双金属板辅助GPR的R²=0.99，但单天线实用性更强；SVR样本量-RMSE拟合R²=0.99仅作趋势示意不外延。

讨论部分总结：单天线反射信号受几何与环境影响致解析反演困难，机器学习可挖掘S₁₁谱与含水率非线性映射；决策树在小训练集（25条）即逼近非线性关系，GPR具贝叶斯不确定性但带偏置，SVR与线性PCA-Ridge需大样本；所有模型外部验证RMSE均低于既往文献，证实单端口VNA方案具备现场迁移潜力；局限为仅同尺寸同密度砖样，未覆盖盐离子浓度、孔隙率跨度及其他砌材。

结论部分翻译：本研究证实了基于微波非接触反射系数测量、利用监督机器学习估算所研陶瓷砖材含水率的可行性。核心在于报告RMSE均来自不同材料样本及不同环境条件的外部验证数据，尽管存在差异，反射系数测量重复性足以支撑对密度1850 kg/m³建筑砖的含水率估算，这对建筑结构至关重要。结果显示估计性能受训练样本数与超参双重影响：决策树中样本数、树深与RMSE无简单线性关联，因树模型以区域划分而非连续函数拟合；其余GPR、SVR、Ridge则样本数效应更规则。无额外校正的最优模型为25样本、D_max=4决策树（RMSE 0.565百分点）；GPR估计值加?0.777689092百分点校正后RMSE降至0.261百分点，前景显著但需更多独立样本复核。