【论文复现向】基于LSTM的B-SFCB抗拉强度保留率预测:多参数耦合(pH/温度/氯盐/时间),含显式退化模型

研究背景:为什么B-SFCB值得关注?

在海洋、盐碱地等强腐蚀环境中,普通钢筋容易被腐蚀,导致结构寿命大幅缩短。纤维增强聚合物(FRP)筋虽然耐腐蚀,但脆性大、延性差。为了兼顾耐腐蚀力学性能 ,研究人员开发了钢-FRP复合筋(SFCB),即外部FRP包裹内部钢芯。

其中,玄武岩FRP包裹的SFCB(B-SFCB) 性价比高,适合工程推广。但它在氯盐和碱性环境下的长期性能数据仍然稀缺,传统经验模型难以准确捕捉其非线性退化趋势。

该研究正是为了解决这一问题:通过系统实验 + LSTM神经网络,建立可解释的耐久性预测模型。

实验方法:怎么做的?

材料与试件

  • B-SFCB直径14mm,钢芯直径8mm,BFRP层厚3mm

  • 纤维体积分数约65%,环氧树脂基体

暴露环境(180天)

  • 去离子水(对照组)

  • 5% NaCl溶液(模拟氯盐环境)

  • 碱性溶液 pH=13.0(模拟混凝土孔隙环境)

  • 温度恒定20℃

测试内容

  • 质量变化(吸湿行为)

  • 拉伸性能(强度、弹性模量、断裂模式)

  • SEM微观形貌

  • LSTM模型训练与预测

图文解析(重点干货)

图4:不同溶液浸泡后的表面退化(原文 Fig. 4)

📍 位置:第5页

这张图直观展示了B-SFCB在不同环境下的外观变化:

  • 水环境:180天后表面几乎没有变化,结构稳定。

  • 氯盐环境:120天开始表面粗糙,150天出现局部纤维松动。

  • 碱性环境:90天出现微裂纹,150天纤维脱粘,180天出现径向裂纹。

🔍 解读:碱性环境对BFRP层的破坏最为严重,为后续强度退化提供了直接证据。

图5:不同环境下的吸湿曲线(原文 Fig. 5)

📍 位置:第5页

  • 初期所有环境都出现快速吸湿(Fickian扩散)

  • 碱性环境吸湿最高(0.329%),原因:水解引发微裂纹,形成溶液通道

  • 氯盐环境次之,水环境最低

🔍 解读:吸湿行为是强度退化的"先行指标",后续模型正是基于这一关系建立。

图8:拉伸应力-应变曲线(原文 Fig. 8)

📍 位置:第8页

  • 水环境:曲线基本重合,说明几乎没有退化

  • 氯盐环境:峰值荷载逐步下降

  • 碱性环境:180天后峰值荷载降至初始的70%

🔍 解读:碱性环境对B-SFCB的拉伸强度影响最大,180天保留率仅70.6%。

图9:强度保留率变化(原文 Fig. 9)

📍 位置:第9页

  • 水环境:>97%

  • 氯盐环境:85.5%

  • 碱性环境:70.6%

🔍 解读:B-SFCB在碱性环境中的退化最严重,但在实际混凝土中(pH≈12-13)仍有应用潜力。

图17:LSTM模型预测精度(原文 Fig. 17)

📍 位置:第16页

  • R² = 0.932,RMSE = 2.87,MAE = 0.05

  • 80.5%样本预测误差小于5%

🔍 解读:LSTM模型在有限数据下仍表现出高精度,说明其在复杂环境下的退化预测能力。

图18:关键输入参数影响分析(原文 Fig. 18)

📍 位置:第16页

  • pH影响最大:pH从7升到13.3,TSR从93.7%降至31.5%

  • 温度次之:60℃下TSR显著下降

  • 暴露时间、氯盐浓度也是关键变量

🔍 解读:这为实际工程中的耐久性设计提供了明确的方向------控制碱性和温度是重点。

模型亮点:从黑箱到显式预测

除了LSTM,作者还提出了一个显式预测模型,将强度保留率与吸湿行为直接挂钩:

  • 吸湿率 < 0.17%:无退化

  • 吸湿率 0.17%--0.33%:线性下降

  • 公式:TSR = -125% × 吸湿率 + 121.25%

并进一步耦合pH、温度、氯盐浓度的影响:

TSR = d(pH) × d(T) × d(C,t) × TSR₀

总体预测精度约83%,对工程实践有直接参考价值。

结论与启示

  1. B-SFCB在氯盐和碱性环境中会出现明显的强度退化,但钢-FRP界面保持完整,说明结构整体性仍在。

  2. LSTM模型能有效预测强度保留率,适用于多参数耦合的复杂环境。

  3. 吸湿行为是强度退化的关键中介变量,可作为快速评估指标。

  4. pH和温度是影响最大的环境因素,在工程应用中应重点关注。

最后说两句

这篇研究的价值不仅在于提供了一组高质量的180天实验数据,更在于它展示了机器学习 + 显式建模如何共同服务于工程耐久性评估。对于从事海洋工程、桥梁、港口等领域的工程师和研究人员来说,这是一篇值得细读的"方法论+应用"型论文。

如果你对LSTM建模过程、显式模型公式或实验细节有疑问,欢迎留言讨论。

注:更多关于聚合物性能预测的前沿知识小编之前有推荐,可以详查置顶文章:审稿人坦白:没有PINN的复材力学论文,我现在直接打C

如果您觉得文章不错,欢迎点赞、关注、收藏及转发

相关推荐
力学与人工智能9 分钟前
POF | 西工大曹文博、张伟伟等:基于时间步进导向的神经网络求解高雷诺数壁湍流问题
人工智能·神经网络·机器学习·高雷诺数·湍流
voidmort1 小时前
19. 合成数据(Synthetic Data)与模型对齐
人工智能·深度学习·机器学习
larance1 小时前
机器学习特征预处理之序号编码
人工智能·深度学习·机器学习
lisw052 小时前
基于零信任的云-边-端访问控制系统,使用可信标签
人工智能·机器学习·软件工程
zhiSiBuYu05174 小时前
RAG 性能优化与缓存策略实战指南
人工智能·python·机器学习
想会飞的蒲公英4 小时前
集成学习入门:Bagging、Boosting 到底在组合什么
人工智能·python·机器学习·集成学习·boosting
Axis tech5 小时前
MANUS手套为NVIDIA的DreamDojo机器人世界模型提供真实的手部运动数据
人工智能·深度学习·机器学习
lisw055 小时前
计算免疫学的前沿领域
人工智能·机器学习
天云数据5 小时前
精度和成本不是零和博弈——天云数据“安心”AI消防的精进突破
大数据·人工智能·机器学习
AI科技星7 小时前
基于全域数学公理体系求解三元约束极值题【乖乖数学】
人工智能·算法·机器学习·密码学·拓扑学·乖乖数学·全域数学