袁文喜，陈吉吉谦

(浙江省水利水电勘测设计院，浙江　杭州　310002)



基于人工神经网络模型的海工混凝土设计及优化

袁文喜，陈吉吉谦

(浙江省水利水电勘测设计院，浙江杭州310002)

摘要：通过室内海水模拟试验及人工神经网络模型计算的方法对高氯离子含量海水环境下混凝土的各项耐久性能展开研究，引入海工高性能混凝土设计方案，对多组不同配合比的混凝土进行试验，利用实测数据建立氯离子在混凝土内的渗透模型。在相关设计规范的基础上结合数值模型计算结果提出海工混凝土配合比设计方案。

关键词：混凝土耐久性；氯离子侵蚀；人工神经网络；混凝土配合比

1问题的提出

我国已建的海洋环境港工建筑物通常在使用8～10 a后即出现明显的顺筋胀裂等腐蚀破坏迹象[1]，结构耐久性能远不如内陆地区，工程管理部门常常不得不为其加固与修复投入大量的财力、物力和人力。因此，在沿海地区钢筋混凝土结构设计中加强对其耐久性的研究十分必要。

在混凝土耐久性的研究过程中，常用的建立数学模型的方法大致分为2类：一类是从混凝土耐久性破坏机理出发建立理论数学模型；另一类是从实验出发，分析各因素对耐久性破坏结果的影响，用数学回归的方法来建立实用的数学模型[2]。第一类数学模型主要基于FICK扩散定律，基本都涉及到了氯离子扩散系数、氯离子临界浓度、混凝土表面氯离子浓度等参数[3]。这些参数由于受到外界环境和时间的影响，存在较大的不确定性，很难得到精确值，因而对最终氯离子侵入模型的确定造成了困难。同样的，对于第二类模型，由于耐久性破坏涉及的因素较多，作用机理也较为复杂，很难用一个简单的式子表示，拟合的结果往往与实际的结果相差很大。

鉴于以上情况，同时考虑到人工神经网络具有可以拟合任意非线性映射的能力，本文试图应用BP人工神经网络[4]建立海水环境下混凝土中氯离子含量人工神经网络模型，得到氯离子含量分布的一般规律并利用模型对不同深度，不同胶凝材料配比条件下混凝土内氯离子含量进行预测，结合相关设计规范提出耐久性优良的海工混凝土设计方案。

2氯离子侵蚀人工神经网络模型建立及应用

采用MATLAB软件自带的人工神经网络工具箱对试验混凝土试件不同深度的氯离子含量建立相应的人工神经网络模型。为了获得比较合理的人工神经网络模型，需要选择合理的网络结构(即输入层单元变量、输出层单元变量、隐层数目和隐层单元数目的选择)。在训练过程中可以根据不同的需要选择不同的隐层数目、训练精度、学习速率，通过可视化训练结果的比较，在现有训练样本的条件下，获得较为理想的人工神经网络模型。

2.1人工神经网络模型的建立

本次试验主要考察了不同配合比的混凝土在相同环境下不同深度的氯离子含量分布。因此，结合影响氯离子含量分布的主要掺合剂，在输入层可以设置6个单元变量：用水量、水泥量、粉煤灰用量、矿渣用量、硅粉用量、渗透深度。在输出层设置1个单元变量：即氯离子含量。通过试算，隐层选用5个神经单元。根据以上基本参数建立1个6—5—1型的3层BP神经网络拓补结构。

2.2模型的训练结果

把室内试验得到的30组数据作为样本数据，在这30组数据中选取27组作为学习样本进行训练，其余3组作为检验样本进行测试。神经网络的基本参数如下：训练方法Levenberg-Marquardt训练函数；显示训练迭代过程net.trainparam.show=5；最大训练次数net.trainparam.epochs=1 000；训练要求精度net.trainparam.goal=0.000 01。经过294次训练后，满足了训练精度要求(见图1)。

表1与表2分别给出了氯离子含量的学习样本数据和神经网络模型计算值以及检验样本的实测数据和有神经网络模型经训练后的预测值。

由表3可以看出，利用本文所建立的BP人工神经网络模型对检验样本氯离子含量的预测值与实测值接近，拟合程度较好，这说明利用BP人工神经网络预测混凝土中氯离子含量是比较成功的，基本能够满足实际工程中的误差要求。5种不同配合比方案下的混凝土内不同深度水溶性氯离子含量的实测值和模型计算值的比较见图2～6。

2.3海工混凝土原材料选取及配合比方案设计

通过对混凝土人工模型试验的结果分析可以发现，Ⅳ、Ⅴ方案配合比下的混凝土耐久性能较好，考虑到抗氯离子渗透性和钢筋阻锈性是海水环境下混凝土耐久性的主要限制因素，故选用Ⅳ方案作为参考配合比方案进行分析。利用人工神经网络模型确定的氯离子侵蚀模型模拟方案Ⅳ中各材料用量调整后抗氯离子侵蚀性能的变化，分别采用粉煤灰掺量占胶凝材料总量的30%、35%、40%时的配合比方案进行模拟计算，得到不同深度处氯离子含量见表8。

表4模拟原材料不同用量下的各深度处氯离子含量表

与方案Ⅳ中所采用的配合比相比，随着粉煤灰用量的提高，各深度处的氯离子含量均有所下降，即用粉煤灰替代部分水泥后，混凝土的抗氯离子侵蚀性能有所提高，在实际工程中，综合考虑混凝土强度与抗氯离子侵蚀性能要求，可在试验所采用的方案Ⅳ基础上，适当调高粉煤灰用量，使粉煤灰用量占胶凝材料总量的比例达到40%～45%，硅灰占胶凝材料总量的比例达到5%～10%，其余采用普通硅酸盐水泥。同时由粉煤灰自身的特性可知，若大量使用粉煤灰作为掺合料可能导致混凝土抗碳化能力下降，加速钢筋“失钝化”，对混凝土的耐久性不利，应将其掺量控制在50%以下。同样的对硅灰的用量也要严格控制，不能高于10%，硅灰含量过高有可能导致较大的收缩裂缝，不利于混凝土的抗渗和密实性[5]。

3结语

本文引入人工神经网络模型计算混凝土内不同深度处的氯离子含量，经过人工训练学习过程建立了氯离子扩散模型，与以往常用的几种传统方法相比，神经网络具有拟合性好，对参数要求较低的优势，故在模拟氯离子扩散的过程中精确性更高，实际模拟计算结果也证明该模型计算成果与实际测试值的误差符合要求。

模型计算结果表明：适量提高粉煤灰掺量来取代水泥用量有利于提高混凝土抗氯离子侵蚀的能力，同时能降低原料的价格。考虑到粉煤灰产量过大对混凝土抗碳化的不利影响，推荐粉煤灰占胶凝总材料的比例为40%～45%，硅灰占胶凝材料总量的比例达到5%～10%，其余采用普通硅酸盐水泥。此推荐配合比方案下的混凝土具备较好的耐久性能和性价比指数，可在今后沿海混凝土建筑中开始使用并观察其实际耐久性能表现，以便进一步的改进。

参考文献：

[1]金伟良，赵羽习.混凝土结构耐久性研究的回顾与发展[J].浙江大学学报，2002(4)：371-380.

[2]杨静.混凝土的碳化机理及其影响因素[J].混凝土，1995(5)：23-28.

[3]余红发，孙伟，鄢良慧，等.混凝土使用寿命预测方法的研究—理论模型[J].硅酸盐学报，2002，30(6)：686-690.

[4]向国全.前向网络BP算法在数据挖掘中的运用[J].河南大学学报，1999(3)：42-45.

[5]武毅，徐建伟，迟培云，等.耐海水腐蚀混凝土的配置技术研究[J].混凝土，2007(10)：12-14.

(责任编辑姚小槐)

Design and Optimization of Marine Concrete Based on Artificial Neural Network Model

YUAN Wen-xi,CHEN Zhe-qian

(Zhejiang Design Institute of Water Conservancy & Hydro-Electric Power,Hangzhou 310002,Zhejiang,China)

Key words:concrete durability; chloride ion erosion; artificial neural networks;concrete mixing proportion

Abstract:This paper studied on the durability of concrete under high chloride ion content seawater environment through indoor seawater simulation experiment and artificial neural network model calculation, introduced marine high performance concrete design plan,conducted experiment with multiple sets of different concrete mixing proportion,and used measured data to establish chlorine ion penetration model in concrete.At the same time,concrete durability evaluation system was established.On the basis of relevant design specifications, combined with numerical model calculation results,a marine concrete mixing proportion design plan was put forward, giving a reference for project designers.

收稿日期：2015-12-25

基金项目：水利部公益性行业科研专项项目(201401010)。

作者简介：袁文喜(1964-)，男，教授级高级工程师，大学本科，主要从事水工结构及岩土工程研究。

中图分类号：TV135.2

文献标识码：A

文章编号：1008-701X(2016)02-0029-04

DOI：10.13641/j.cnki.33-1162/tv.2016.02.009