基于压缩强度的混凝土疲劳参数数据驱动估计：一种最小输入方法

《Fatigue & Fracture of Engineering Materials & Structures》：Data-Driven Estimation of Fatigue Parameters in Concrete: A Minimal-Input Approach Based on Compressive Strength

本研究通过文献分析与机器学习技术，建立了基于混凝土抗压强度和应力比的疲劳参数预测模型，包括Paris定律参数C、m及临界应力强度因子Kc和门槛应力强度因子ΔKth，有效解决了传统实验数据依赖难题。

　　

摘要

鉴于混凝土在民用基础设施中的关键作用，评估其在疲劳载荷下的性能仍然是一个持续存在的挑战，这主要是由于疲劳参数依赖于特定案例的实验数据，而这些数据在现实世界的工程实践中往往难以获得。为了解决这一限制，本研究基于综合文献分析开发了一个用于估算混凝土疲劳参数的经验框架，从而无需进行昂贵且耗时的实验室测试。通过运用统计分析和机器学习技术，该研究提出了预测混凝土的帕里斯定律参数（$$ 和 $$）、阈值应力强度因子（$$）以及临界应力强度因子或断裂韧性（$$）的数学关系。在这种方法中，抗压强度（$$）作为主要预测因子，反映了其对混凝土抗疲劳性能的基本影响。所提出的关系能够高效且实际地评估混凝土的疲劳行为，从而便于评估和设计承受疲劳载荷的混凝土结构。

总结

• 通过文献调研研究了混凝土的疲劳和断裂参数
• 使用机器学习技术SMOTER解决了数据集不平衡的问题
• 提出了四个用于帕里斯定律参数（C 和 m）、ΔK_th 以及 K_c 的经验关系
• 模型仅使用抗压强度和应力比（R）就表现出良好的预测性能

数据可用性声明

支持本研究结果的数据可向相应作者提出合理请求后获取。