我院本科生王开来在《Structural Concrete》发表学术论文
来源： 作者：李黎 徐婧 王开来 发布日期：2024-02-27 浏览次数：
近日，水建学院李黎副教授课题组在国际结构混凝土协会(FIB) 主办的混凝土结构领域传统学术期刊《Structural Concrete》发表了研究论文“Machine learning to estimate the bond strength of the corroded steel bar‐concrete”。水建学院水利水电工程专业2020级本科生王开来为第一作者，李黎副教授和香港理工大学张阳博士后为共同通讯作者，李宗利教授等参与了研究工作。
钢筋腐蚀容易导致钢筋混凝土的粘结强度严重退化，进而造成结构失效。影响腐蚀钢筋混凝土粘结强度的因素很多，因此，对腐蚀钢筋混凝土粘结强度的评估变得非常复杂。在这项研究中，建立了一个包含430个样本的粘结强度演变数据库，其中包含了混凝土抗压强度、屈服强度和钢筋腐蚀率等14个重要因素。使用了六种机器学习算法进行比较研究，以实现最佳的预测结果（见图1）。结果显示，随机森林和极端随机树模型具有最佳性能，确定系数（R2）分别为0.83和0.82，均方误差（MSE）分别为13.59和13.98，均方根误差（RMSE）分别为3.68和3.74，平均绝对误差值(MAE)分别为2.35和2.31，a20值分别为0.62和0.70。此外，与其他模型相比，这两种模型展示了更短的训练时间。运行时间分别为589.75和418.31毫秒。并将机器学习算法与经验公式计算对比验证。经验公式表现出更高的误差值，大多数MSE指标超过50，最低的R2值甚至呈现负值。
图一：真实结果与预测结果的比较
此外，使用特征重要性计算来了解机器学习模型感知每个影响因素的能力（见图2）。其中，腐蚀率、纵向筋屈服强度和箍筋等因素被确定为三个最重要的影响因素。
图二：特征重要性排序结果
这项研究得到了国家自然科学基金(52109168)、陕西省自然科学基础研究计划(2021JQ - 174)的支持。
文章链接：https: // doi. org / 10.1002 / suco. 202300401
