基于深度学习预测配有钢箍筋的CFRP包裹混凝土梁的抗剪承载力

《Buildings》:Predicting the Shear Capacity of CFRP-Wrapped Concrete Beams with Steel Stirrups Using Deep Learning Nasim Shakouri Mahmoudabadi, Charles V. Camp and Afaq Ahmad

【字体: 大 中 小 】 时间:2026年03月20日 来源:Buildings 3.4

编辑推荐:

  纤维增强聚合物(FRP)在既有钢筋混凝土(RC)结构加固中的应用显著提升了结构修复过程的效率,为工程实践提供了高效、耐久且非侵入性的解决方案。本研究提出了一种先进的基于深度学习的预测模型,专门用于估算采用碳纤维增强聚合物(CFRP)复合材料进行外部加固的混凝土

  
纤维增强聚合物(FRP)在既有钢筋混凝土(RC)结构加固中的应用显著提升了结构修复过程的效率,为工程实践提供了高效、耐久且非侵入性的解决方案。本研究提出了一种先进的基于深度学习的预测模型,专门用于估算采用碳纤维增强聚合物(CFRP)复合材料进行外部加固的混凝土梁的抗剪强度。研究人员利用包含216根经实验测试的CFRP包裹混凝土梁的综合数据集,该数据集来源于现有文献研究,通过Optuna超参数调优框架和k折交叉验证对深度神经网络模型进行了严格优化,以确保模型的稳健性和泛化能力。模型验证包括与既定国际设计规范(ACI PRC-440.2-17、CSA-S806-12、JSCE)的详尽对比分析,以及对混凝土抗压强度、梁深度和CFRP包裹厚度等关键影响因素的抗剪强度预测敏感性的参数分析。结果表明,与传统经验设计模型相比,深度学习方法在预测精度和可靠性方面表现优异。因此,本研究显著提高了CFRP加固混凝土梁抗剪强度预测的精确性,支持了更高效、更准确的结构修复和设计指南的制定。
钢筋混凝土结构因老化、结构损伤或需满足新的荷载需求及符合最新标准而经常需要进行升级或修复。传统修复和结构加固方法通常涉及增设混凝土层、采用混凝土或钢套箍包裹结构,或粘贴钢板等,但这些方法往往成本高、劳动强度大且破坏性强。自20世纪90年代起,建筑行业逐步整合了采用外部粘贴先进复合材料的先进改造技术,即纤维增强聚合物(FRP)。这类复合材料的广泛采用主要归因于其突出特性,包括高抗拉强度、优异的耐腐蚀性、低维护需求、卓越耐久性、抗化学侵蚀能力以及显著的低热导率和低电导率。此外,FRP复合材料重量轻且易于安装,使其成为传统加固技术的实用替代方案。FRP加固的一个关键优势在于能够使结构构件保持原有尺寸,这在空间受限的建筑环境中尤为有利。自引入以来,外部粘贴FRP系统已被广泛用于提高钢筋混凝土梁的抗剪承载力和进行抗震加固,在结构工程中被证明是一种有效且广受认可的解决方案。近期研究表明,外部粘贴CFRP片材主要通过提供附加抗剪配筋和裂缝桥接效应来提高钢筋混凝土梁的抗剪能力。在实际加固应用中,CFRP片材通常以侧包或U型包裹形式施加于梁体,这是由于楼板或其他结构约束阻碍了截面全包裹的实现。

现有研究已开发出多种经验方法来预测FRP加固混凝土梁的抗剪承载力,特别是针对矩形截面梁;然而,针对其他截面形状梁的研究和方法相对有限。一般而言,抗剪性能预测模型可分为分析方法和设计导向公式两类。分析方法逐步模拟混凝土与FRP加固之间的相互作用,追踪加载过程中的应力-应变发展;而设计导向公式则涉及通过回归分析从实验数据集中导出的简明数学关系。由于其显式和简化的特点,设计导向模型在实际工程应用中往往更受青睐。

然而,许多现有FRP加固混凝土梁抗剪强度的经验模型在应用于标定范围以外的情况时提供不准确的估计。这一局限性源于多因素之间复杂且相互依存的关系,加上实验数据的变异性带来的不确定性,使得捕捉所有可能的相互作用并开发高度可靠的预测模型具有挑战性。近年来,遗传编程(GP)、自适应神经模糊推理系统、支持向量机(SVM)和人工神经网络(ANN)等机器学习(ML)技术在模拟FRP加固混凝土梁抗剪行为方面日益受到关注,其识别复杂数据集中非线性模式和关系的能力引起了显著兴趣。

尽管机器学习技术在预测FRP加固钢筋混凝土构件力学行为方面的应用日益增多,现有研究仍存在若干局限性:许多先前工作依赖相对较小的数据集,缺乏系统的超参数优化,或未采用严格的交叉验证技术对开发模型进行稳健验证。此外,一些研究主要聚焦于基于ANN的方法,而未探索结合自动超参数优化框架的深度神经网络架构的潜力。为应对这些局限性,本研究开发了一种基于深度神经网络(DNN)的机器学习模型,用于预测CFRP包裹钢筋混凝土梁的抗剪承载力。该模型使用包含216根经实验测试的外部粘贴CFRP片材加固RC梁的综合数据库进行训练和评估。为增强预测模型的稳健性和可靠性,研究人员采用Optuna框架结合k折交叉验证进行自动超参数优化,并进一步通过与广泛使用的国际设计规范预测结果对比来评估所开发模型的性能。此外,还进行了参数分析以考察关键变量影响,并展示所提方法在实际工程场景中的适用性。

确定外部粘贴FRP(EB-FRP)加固的最优配置仍是一项重大挑战,这是由于众多影响FRP加固混凝土梁抗剪承载力的参数之间存在复杂相互作用。此类构件的抗剪行为受多种几何和材料变量共同控制,其关系高度非线性,因此准确建模这些相互作用需要能够捕捉结构参数间复杂多维依赖关系的先进计算方法。传统数值技术如回归分析和基于最小二乘法的方法往往难以准确表征这些非线性关系,因而预测能力有限。为克服这些局限,现代计算方法特别是机器学习技术因其建模复杂非线性系统的能力而受到日益关注。

本研究所开发的DNN模型估算CFRP包裹钢筋混凝土梁的抗剪强度。与许多先前依赖手动选择参数的传统神经网络模型研究不同,本研究整合了基于Optuna框架的自动超参数优化与k折交叉验证,以系统地识别最优网络架构。该方法在减少与手动参数调整相关主观性的同时增强了预测模型的稳健性,为结构工程师提供了可靠的抗剪承载力预测分析工具,从而支持CFRP系统加固钢筋混凝土结构更安全、更高效的设计。

研究采用的数据集来源于现有文献中关于外部粘贴CFRP片材加固钢筋混凝土梁性能的实验结果,共包含216个CFRP包裹RC梁的脆性试验数据,来源可靠。模型输入参数包括9个变量:梁宽(b)、有效深度(d)、混凝土抗压强度(f′c)、钢材抗拉强度(fy)、腹板钢筋配筋率(ρw)、CFRP弹性模量(Efrp)、CFRP配筋率(ρfrp)、CFRP与梁轴夹角(α),输出变量为极限抗剪强度(Vu)。

数据按80%(172个样本)训练集和20%(44个样本)测试集随机划分。鉴于不同参数尺度存在差异,研究采用将数值重新缩放至0.1至0.9范围的归一化方法,且测试集的归一化参数仅来源于训练数据,以防止数据泄露。

在模型优化方面,研究人员采用Optuna框架结合10折交叉验证进行超参数自动化寻优,系统调整的关键参数包括每层隐藏层神经元数量、隐藏层总数、激活函数、批量大小、优化算法和学习率等。神经网络架构采用典型的标量回归方法,使用单个无激活函数的输出神经元;以均方误差(MSE)作为损失函数;每层隐藏层后添加批归一化以稳定梯度,并采用10%概率的Dropout正则化防止过拟合。经100次独立试验、每折1000个epoch的优化后,确定最优模型配置。

模型评估指标包括平均绝对百分比误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R2)以及a20-index——即预测值落在实际值±20%阈值范围内的比例。DNN模型在训练和测试阶段均表现出与实验数据的高度一致性,统计指标显示测试阶段精度与训练阶段相当,证明了模型的可靠性和有效性。与国际设计规范ACI PRC-440.2-17、CSA-S806-12和JSCE的对比表明,所开发DNN模型在MAE、RMSE、MAPE方面显著更低,而a20-index和R2明显更高,Taylor图同样显示DNN模型最接近观测参考点,具有最低的RMSE和最高的相关性。

参数效应分析聚焦于混凝土抗压强度、梁截面深度和CFRP包裹厚度三个关键变量。混凝土抗压强度影响分析表明:随着混凝土抗压强度增加,包裹构件抗剪强度提高,但提升速率在高强度时趋于减缓,呈现CFRP包裹效益的饱和效应;CFRP层厚度直接影响力学改善程度,每增加一层CFRP均带来抗剪强度的显著增加;有效深度越大的试件强度增益越显著,470mm深度试件增长约28%~32%,而370mm试件仅增长15%~18%,这是由于较大深度提供了更大的有效包裹面积,使CFRP包裹能产生更强更均匀的侧向压力。

梁深度影响分析显示:抗剪强度随试件深度增加而增加,无论CFRP包裹厚度或混凝土抗压强度如何,这一正相关性保持一致;CFRP厚度增加持续提高极限抗剪强度,在所有深度和混凝土抗压强度下均观察到这一趋势;较高混凝土抗压强度带来的抗剪强度增强在所有试件中持续存在,75MPa试件增幅达20.0%~21.2%,而35MPa试件增幅仅16.0%~17.6%。

关于过拟合问题,图形分析显示一致平滑的趋势且无意外偏差,表明过拟合已得到有效避免;训练集和测试集几乎相同的稳定性能指标进一步强化了模型未发生过拟合、在多样化数据场景中具有稳健性的结论。

模型适用范围明确限定于输入参数范围,未来研究应通过在数据稀疏的参数范围内补充合成数据来丰富数据集,特别是有效深度d大于400mm和混凝土抗压强度f′c超过50MPa的区域。此外,将数据驱动模型转化为简化设计方程、开发预测CFRP加固混凝土梁完整剪应力-应变响应的深度学习模型,是未来重要的研究方向。

研究结论部分指出,本研究成功展示了深度学习技术在准确预测CFRP复合材料加固混凝土梁抗剪强度方面的适用性和有效性。通过综合数据集、精细预处理、Optuna超参数优化和严格交叉验证建立的稳健DNN模型,在训练和测试数据集上均表现出优异的抗剪强度预测性能和强大的泛化能力。自动超参数调优与k折交叉验证的创新集成显著减少了神经网络优化中通常所需的人工劳动,促进了优化模型参数和网络架构的识别。所开发的CFRP包裹梁DNN模型始终优于传统经验模型 Professiona和国际设计规范(ACI PRC-440.2-17、CSA-S806-12和JSCE),强化了其捕捉抗剪强度预测中固有复杂非线性关系的能力。全面的参数分析进一步验证了DNN模型对混凝土抗压强度、梁深度和CFRP包裹厚度等关键影响因素的预测准确性,确认了模型真实复现预期趋势和行为的能力,为结构工程师提供了评估不同条件下抗剪强度的强有力可靠工具。尽管DNN模型性能稳健,仍有进一步提升空间:在实验数据有限的参数空间扩展数据集可提高这些特定场景下的预测准确性和可靠性;未来研究还可探索开发预测CFRP混凝土梁完整应力-应变响应而非仅抗剪承载力的深度学习模型。该研究确立了人工智能和深度学习技术解决结构工程中复杂挑战的潜力和实用性,为推进结构设计和修复方法做出了重要贡献。
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