基于物理信息神经网络(PINN)与CatBoost的混凝土碳化深度预测混合框架

《Materials》:Physics-Informed Machine Learning for Carbonation Depth Prediction in Concrete Moutaman M. Abbas and Alina B?rbulescu

【字体: 大 中 小 】 时间:2026年03月24日 来源:Materials 3.7

编辑推荐:

  摘要:研究人员提出了一种融合物理信息机器学习(Physics-Informed Machine Learning, PIML)与集成学习的混合框架,用于预测钢筋混凝土的碳化深度(carbonation depth)。该框架由两阶段组成:第一阶段采用物理信息神经

  
摘要:研究人员提出了一种融合物理信息机器学习(Physics-Informed Machine Learning, PIML)与集成学习的混合框架,用于预测钢筋混凝土的碳化深度(carbonation depth)。该框架由两阶段组成:第一阶段采用物理信息神经网络(Physics-Informed Neural Network, PINN)预测碳化系数(carbonation coefficient, k),其损失函数中嵌入了数据拟合项(Ldata)、物理定律遵循项(即根号时间扩散定律残差, Lphy(h(ys)))、初始条件项(LIC)及单调性约束项(Lmono);第二阶段采用CatBoost回归器对PINN预测残差进行拟合以捕捉材料与环境非线性效应。研究人员通过物理约束数据增广生成6000组样本,并利用SHAP(SHapley Additive exPlanations)值进行特征重要性分析。结果表明,该混合模型的决定系数R2达0.871,平均绝对误差(Mean Absolute Error, MAE)为15.36 mm,均方根误差(Root Mean Square Error, RMSE)为24.37 mm,且能正确反映养护龄期、水灰比(w/c)及CO2浓度等关键因子对碳化的影响,克服了传统黑箱模型缺乏物理一致性与可解释性的缺陷。
本研究发表于《Materials》期刊。混凝土碳化引起的钢筋脱钝锈蚀是钢筋混凝土耐久性失效的主要原因之一。传统经验模型难以兼顾物理机理与复杂非线性材料—环境交互作用;纯数据驱动机器学习模型虽具较高精度但为黑箱操作,缺乏物理可解释性且外推不可靠;而经典Fick第二定律扩散模型在实际多孔介质中受限于参数获取困难。为此,研究人员开展了一项将碳化物理定律直接嵌入神经网络学习过程,并结合梯度提升树修正残差的研究,旨在构建兼具物理一致性、高精度与可解释性的碳化深度预测框架,并通过SHAP分析揭示关键影响因素的作用方向。
主要关键技术方法
研究人员首先基于Fick扩散理论的平方根时间定律(x = k·√t)通过物理约束数据增广将原始3000组实验样本扩展至6000组,计算各样本对应的碳化系数kdata= xtrue/√t作为PINN目标输出。Stage 1:构建四层隐藏层的PINN,输入13维特征向量(水灰比w/c、水泥含量、粉煤灰、矿渣、大理石粉、含气量、孔隙率、CO2浓度、相对湿度RH、温度T、养护天数、试件厚度、骨料类型),输出ln(k)以保证k>0,总损失函数Ltotal= λdataLdata+ λphy(h(ys))Lphy(h(ys)) + λICLIC+ λmonoLmono,权重分别设为λdata=1.0,λIC=λmono=0.1,λphy(h(ys))更小。Stage 2:计算残差ε = xdatabase? xPINN(t),以相同输入特征训练CatBoost回归器(1000次迭代,学习率0.1,对称树结构,贝叶斯自举抽样与随机子空间采样)拟合ε。最终预测值为xfinal(t) = kPINN·√t + CatBoostresidual,并通过Ridge回归(α=0.1)融合。数据集按8:2划分为训练集与测试集(n=4800/1200,random_seed=42)。评估指标采用决定系数(R2)、均方根误差(RMSE, mm)及平均绝对误差(MAE, mm)。特征重要性通过SHAP值分析获得。
研究结果
3. Results
相关性分析显示碳化深度与养护天数呈最高正相关(0.52),与水灰比w/c(0.37)、CO2浓度(0.21)及试件厚度(0.07)呈中等或弱正相关,表明存在需由混合模型捕捉的非线性关系。PINN输出kestimate与归一化碳化深度的关系严格遵循根号时间律红线,数据点与理论线的垂直距离即为CatBoost待拟合残差。SHAP摘要图与均值绝对SHAP值排序表明,养护天数(curing days)、水灰比(w/c)及CO2浓度是主导因素;较长养护期(红色点)具负SHAP值即降低预测碳化深度,符合混凝土工艺学认知——延长湿养护提高密实度从而增强抗碳化性。残差—预测值图呈喇叭形(低预测值±20 mm,高预测值>250 mm时±80 mm),残差直方图近似对称(μ=0.09 mm,σ=3.59 mm)。实测vs预测散点沿对角线分布,浅深度(<50 mm)聚类紧密(偏差±10–15 mm),深深度(>200 mm)离散度增大。时间轨迹分析显示模型可通过连续公式x(t)=k·√t插值任意暴露时长,克服纯经验模型的时间离散化局限。校准曲线在0–200 mm近对角,>250 mm存在过预测(校准误差17.80 mm)。模型性能:R2=0.871,MAE=15.36 mm,RMSE=24.37 mm;加入≤3%高斯噪声及适度扰动下R2基本不变,表现鲁棒。
讨论与结论总结
讨论部分对比了已有研究——Taffese等的碳ation Prediction Model(CaPrM, ANN+集成, R≈0.97但仅适用于浅深度且为黑箱)、Lee等的深度神经网络(DNN, 需加速碳化数据外推)、Cascudo等的经验—确定性Tuutti模型(热带气候限定)、Ekolu的经验—数学模型(嵌入Fick定律但R2有限)、Hosseini等基于配比比值的MGGP/RF模型(无物理嵌入)、Malami等的ANFIS/ELM/SVM(地域受限)、Qin和Wang的物理信息贝叶斯概率模型(短龄加速数据限制)。研究人员指出本工作区别于上述研究的创新在于:(1)直接在模型架构中嵌入扩散控制的根号时间物理定律而非仅作后验校正或概率先验;(2)PINN提取确定性物理信号,CatBoost捕获不可由Fick定律描述的SCM—温湿度非线性交互残差;(3)通过SHAP提供全局特征贡献方向与物理意义解读,克服ANN黑箱缺陷;(4)在更广深度范围与材料条件下训练并验证,具更好泛化能力。同时作者说明模型在极深(>250 mm)与超长暴露(>90天)区精度下降,宜作为标定范围内的耐久性筛查与比选决策支持工具,建议配合现场数据使用。
结论:研究人员开发并验证了一种PINN–CatBoost混合物理信息机器学习框架用于混凝土碳化深度预测。通过物理约束数据增广(PINN损失含数据项、物理残差项、初始条件项及单调性约束项)与残差梯度提升修正,模型实现R2=0.871,MAE=15.36 mm,RMSE=24.37 mm,残差近零均值低离散。SHAP分析确认养护期延长降低碳化敏感性、水灰比与CO2浓度升高增加碳化深度等符合物理常识的趋势。该框架将确定性的Fick扩散知识与数据驱动残差学习解耦,弥补了传统经验模型外推性差与纯黑箱模型不可解释之不足,为钢筋混凝土长期耐久性评估与设计寿命预测提供了具透明度的辅助决策工具;未来需引入更长龄自然碳化数据、异方差损失及微观结构描述子以拓展极端工况适用性。
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