《Journal of Building Engineering》：A Physics-Based Genetic Algorithm for Predicting Freeze–Thaw Damage from Weather Data
编辑推荐：
Bahaa N. Abdelrahman | M. Tyler Ley | Guoliang Fan | Lichun Chen
美国俄克拉荷马州立大学土木与环境工程系，Stillwater，OK 74078
摘要
本文提出了一种基于物理的遗传算法（GA）分类框架，用于根据天
Bahaa N. Abdelrahman | M. Tyler Ley | Guoliang Fan | Lichun Chen
美国俄克拉荷马州立大学土木与环境工程系，Stillwater，OK 74078
摘要
本文提出了一种基于物理的遗传算法（GA）分类框架，用于根据天气数据预测有害冻融（FT）循环的次数。该框架结合了GA来识别美国四个地区六个主要天气变量的最有效环境阈值。训练数据来自14个州内的42个站点，持续了一年，然后使用随后三年的数据进行了测试。结果显示，该框架在所有年份和地区中89%的时间正确分类了DOS类别。基于95%的置信区间，预测的FT循环次数和有害FT循环次数与实际测量值之间的偏差在15%以内，这意味着所提出的框架方法在不同的气候条件下都能提供可靠且一致的性能。因此，这种方法能够仅通过天气数据预测FT循环次数，从而改进这些预测，并有助于开发出更好的工具，帮助规范者实现混凝土所需的FT耐久性。
引言
混凝土的冻融（FT）耐久性对于寒冷地区混凝土结构的寿命至关重要。混凝土的FT抵抗能力主要取决于其内部饱和度（DOS）[1]、[2]。当水在孔隙结构中冻结并膨胀时，会导致微裂纹、剥落和长期退化[3]、[4]。这一现象最初由Powers [5]和Fagerlund [6]进行了建模，他们发现当材料饱和且温度降至冰点时会发生损伤。临界DOS是指湿度水平，超过该水平时，水冻结造成的应力增长会损坏混凝土，进而导致逐渐恶化[5]、[6]、[7]。研究表明，临界饱和度介于78%至90%之间[7]、[8]、[9]、[10]。这个范围受到混凝土中气孔的大小、间距和总体体积的影响，这些因素可以通过冰的形成来缓解水压[11]、[12]、[13]、[14]。当混凝土温度降至冰点以下然后再回升到0°C以上时，就发生了一次FT循环。因此，当DOS处于或高于临界DOS时，就会发生有害的FT循环。如果循环发生在DOS低于这个临界值时，则该循环不被视为有害循环[7]、[14]、[15]、[16]。
目前，混凝土FT耐久性的设计通常采用规定的暴露等级（ACI 201.2R、ACI 318）[16]、[17]。这些文件要求设计者或规范者根据预期的冻融严重程度来确定适当的暴露类别。虽然这很容易理解，但规范者必须对当地天气、混凝土内的饱和度以及FT循环的预期频率做出假设。这可能导致结构设计不足或过度设计。相比之下，理想的工具应该利用当地气候信息，并提供关于混凝土饱和度和FT循环频率的建议。
机器学习（ML）已成为混凝土研究中的一个日益普遍的研究方向。混凝土的许多重要属性往往是预测的目标。混凝土研究数据的非线性 và 多变量特性使其非常适合使用ML方法。许多研究开发了预测混凝土属性的模型，包括抗压强度[18]、[19]、[20]、[21]、[22]、裂缝扩展[23]、热膨胀[24]以及其他机械属性[25]、[26]、[27]、[28]。这些论文的共同点是，它们展示了ML模型捕捉和表示这些材料复杂行为的能力。ML已被广泛用于模拟混凝土的机械属性。然而，只有少数研究探索了其在评估混凝土耐久性方面的潜力，特别是在FT条件下。一些作者基于混合设计参数和实验室测试结果开发了ML模型来预测FT抵抗能力[29]。还有一些研究提出使用深度学习和基于图像的数据提取微观结构特征（孔隙结构），以评估FT耐久性指数[30]、[31]。ML技术也被用来预测骨料的FT行为[32]。然而，这仍然是一个简化的系统，不能完全代表实际条件下混凝土系统的复杂性。
预测混凝土的FT性能需要了解水分含量、温度和冰的形成如何随时间变化。之前的研究从42个不同的现场位置收集了四年的这些信息[33]、[34]。本文旨在使用基于物理的GA框架，将DOS和有害FT循环次数与当地天气参数联系起来。已有大量研究完成了基于当地天气参数预测区域土壤含水量的工作[35]、[36]、[37]、[38]、[39]、[40]、[41]、[42]、[43]、[44]。这些研究一致认为有六个关键天气参数：温度、降水量、相对湿度、太阳辐射、风速和气压[35]、[36]、[37]、[38]、[39]、[40]、[41]、[42]、[43]、[44]。这些相同的参数也将用于估计混凝土的含水量。然而，为了估计FT循环次数，它们将被用来通过结合水分信息来预测有害FT循环的次数。
传统的ML模型往往难以表示温度、相对湿度和降水量等环境因素之间的复杂关系[45]、[46]、[47]。这些变量以非线性方式相互作用，使得模型难以识别导致有害FT循环的具体条件。例如，在本研究中，将十种传统的机器学习分类器与基于物理的GA分类框架进行了比较。在所有评估的方法中，所提出的框架在分类DOS类别方面具有最高的整体准确性；更多细节将在结果部分和附录D中讨论。之前的研究应用了先进的机器学习方法，如堆叠集成模型和混合优化算法，来预测能量和环境过程[48]、[49]。虽然这些方法可以达到高准确性，但它们通常需要大型数据集和复杂的模型结构。相比之下，本文提出的框架侧重于识别控制有害FT条件的物理意义上的环境阈值。GA使用了包括测量DOS、FT循环和六个关键天气参数在内的年度训练数据来分类DOS类别，并预测混凝土板中的有害FT循环次数；然后使用随后三年的数据进行了测试。这项工作通过提供一种数据驱动的方法，直接将当地天气条件与混凝土DOS和FT性能联系起来，填补了这一重要空白，该方法使用了来自美国42个地点的大型现场数据集。该工具可以使用实际测量或模拟的天气数据，在不同环境下提供FT损伤的估计。本文为开发基于测量的映射系统和工具奠定了基础，以便使用长期历史天气记录为不同地点的有害FT循环进行设计，这将为未来的FT耐久性研究提供实用指导。
部分片段
现场测量的DOS数据
DOS表示混凝土中充满水的孔隙比例，是确定其FT耐久性的重要因素。在之前的一项研究中，从美国42个地点收集了连续四个冬季的现场测量DOS数据[34]。选择这些地点是为了涵盖广泛的气候变化，并包括了资助这项研究的州政府机构。
所有现场样本都使用了相同的砂浆混合物。
空气温度与混凝土温度的关系
在这项研究中，出于几个原因使用了空气温度而不是混凝土温度。空气温度可以从许多来源获取，并且由气象站频繁监测。它们的数据一致且易于获取。如果表面以下51毫米处的空气温度与混凝土温度之间的差异很小，并且...
实际意义
这项研究的主要贡献是能够提供一个经过现场验证的、可扩展的框架，使用天气数据预测混凝土的有害FT循环。通过以89%的准确率准确预测DOS类别，并在95%的置信区间内预测有害FT循环次数，该模型使规范者无需进行可能成本高昂的物理测量即可进行可靠的FT耐久性评估。
结论
本研究提供了一个可扩展的、区域化的框架，用于根据42个独立地点的可用天气数据预测混凝土的DOS、FT循环次数和有害FT循环次数。GA使用了包括测量DOS、FT循环和六个关键天气参数在内的年度训练数据来分类DOS类别，并预测混凝土板中的有害FT循环次数；然后使用随后三年的数据进行了测试。为了描述广泛的气候条件...
CRediT作者贡献声明
Guoliang Fan: 验证、软件、方法论、概念化。Lichun Chen: 概念化。Bahaa Abdelrahman: 编写——审阅与编辑、撰写——初稿、软件、方法论、调查、形式分析、数据整理。M. Tyler Ley: 编写——审阅与编辑、监督、调查、概念化
利益冲突声明
?作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
