МОНИТОРИНГ КОРРОДИРОВАНИЯ И ВНЕЦЕНТРЕННО НАГРУЖЕННЫХ КОЛОНН ПРИ ПОМОЩИ ИСКУСТВЕННОГО ИНТЕЛЕКТА

АННОТАЦИЯ

В данной статье приводится обзор исследований, посвященных мониторингу состояния конструкций, корродированных и внецентренно нагруженных стержней по методу конечных элементов, а также на основе вычислительного анализа при помощи искуственного интелекта.

ABSTRACT

This article examines the monitoring of the structural condition of corroded and eccentrically loaded rods using the finite element method, namely columns, based on computational analysis using artificial intelligence.

Ключевые слова: колонна, искусственный интеллект, износ, конструкция, деградация, прочность, механика.

Keywords: column, artificial intelligence, wear, design, degradation, strength, mechanics.

В железобетонных конструкциях колонны применяются для передачи нагрузки надстройки на фундамент. Износ колонн может влияет на общую производительность и срок службы конструкции. Повреждение колонн сокращает остаточный срок службы конструкции. Во время сейсмической активности конструкция может проявлять плохую работоспособность, что может привести к разрушению зданий и сооружений [13].

Ведущими газами, вырабатываемыми промышленностью, являются углекислый газ (CO ₂ ) и сера. Углерод из атмосферы имеет тенденцию проникать в железобетонные конструкции через пустоты бетона. Сжатый CO ₂ реагирует с железом в арматуре с образованием оксида железа (FeO ₂ ), обычно называемых ржавчиной или коррозией. Потеря щелочности из-за карбонизации стальных стержней, потеря щелочности из-за воздействия хлоридов, трещины в бетоне и недостаточное покрытие  — вот некоторые из факторов, которые приводят к коррозии встроенной арматуры в бетонных конструкциях [2]. Наиболее распространенной причиной деградации и внезапного обрушения конструкций в течение срока их службы является коррозия арматурных стержней, заложенных в бетон [1; 8].

В последнее время большое значение приобрели инструменты для вычислений, такие как искусственный интеллект (ИИ). Алгоритмы ИИ были опробованы и протестированы в различных областях гражданского строительства для оптимизации и прогнозирования результатов [10].  Таким образом было установлено, что надежность модели в конечном итоге зависит от предметной области и качества данных, и модель, которая лучше всего подходит для одной проблемы, может быть не лучшей для другой. В последнее время в секторе гражданского строительства было внедрено множество алгоритмов, основанных на машинном обучении (Machine learning, ML), и некоторые из исследований подробно описаны в [5; 7; 9; 10; 14].

Сюй и др. [4] спрогнозировали остаточную несущую способность железобетонных колонн с использованием подхода ML. Ими ходе исследования из литературы были собраны результаты испытаний на циклическую нагрузку для 180 образцов. В исследовании использовались шесть моделей машинного обучения для создания наиболее эффективной модели механизма разрушения корродированных колонн и оценки несущей способности. ^. Также RF-алгоритм (Random Forest, алгоритм « случайного леса») показал смещение режима отказа колонны в течение срока ее службы.

Май и др. [3] предложили модель на основе искусственной нейронной сети (ИНС, artificial neural network ANN) для оценки бетона с содержанием с летучей золой (fly ash, FA) и доменным шлаком (blast furnace slag. BFS). Набор данных был случайным образом разделен на две части: обучение и тестирование, с процентом 70% и 30% соответственно. Наилучшие результаты были получены на двадцати четырех нейронах скрытого слоя. Предложенная модель ИНС проста в использовании и снижает стоимость практических экспериментов. Результаты показали, что модель ANN очень эффективна для прогнозирования прочности бетона на сжатие с R ² , Среднеквадратичная ошибка (Root mean square error. RMSE) или средняя абсолютная ошибка (mean absolute error (MAE) MAE и RMSE 0,9285, 3,29 МПа и 4,42 МПа соответственно.  Целью исследования являлся  расчет остаточной прочности изношенных железобетонных колонн под действием осевых нагрузок с помощью искусственных нейронных сетей и импровизированных искусственных нейронных сетей. Для этого из литературы была собрана база данных из 137 экспериментально проверенных колонн. Все колонны подвергались коррозии до различных уровней коррозии и были испытаны в условиях эксцентричной нагрузки как указано в [5].

Количественная оценка уровней коррозии проводилась на основе процентной потери веса закладных стальных арматурных стержней, образцы которых были отлиты с последующей коррозией, а затем экспериментально испытаны. Корродированные арматурные стержни были подготовлены в соответствии с ASTM G1-03 Standard Practice for Preparing, Cleaning, and Evaluating Corrosion Test Specimens [10] для расчета среднего процента потери веса. Предложенная в этой работе модель ИНС эффективна для оценки остаточной прочности изношенных железобетонных колонн, но в будущих исследовательских работах необходимо использовать больше наборов данных для достижения высокой точности алгоритмов машинного обучения.

Таким образом, проведенный обзор показывает, что в настоящее время активно проводятся исследования, которые показывают, что прочность бетона на сжатие играет наиболее важную роль в несущей способности корродированных и эксцентрично нагруженных железобетонных колонн. А также необходимо изучать другие методы машинного обучения, и влияние входных параметров на производительность модели для разработки более устойчивых и эффективных моделей.

Список литературы:

1. Джоши Дж., Арора Х.К. Структурные характеристики по-разному ограниченных и усиленных корродирующих железобетонных колонн // Строительство и строительные материалы. – 2015. – T. 82. – C. 287–295.
2. Кумар А., Роттан Дж.С. Путешествие от обычных городов к умным городам // Умные города и строительные технологии. – Лондон: IntechOpen, 2020.
3. Май Х.-В.Т., Нгуен Т.-А., Ли Х.-Б., Тран В.К. Исследование модели ИНС, содержащей один скрытый слой, для прогнозирования прочности на сжатие бетона с доменным шлаком и летучей золой // Достижения в области материаловедения и техники. – 2021. – № 5540853. – 17 с.
4. Сюй Ж.-Г., Хун В., Чжан Дж., Хоу С.-Т., Ву Г. Оценка сейсмических характеристик корродированных железобетонных колонн на основе подхода машинного обучения на основе данных // Engineering Structures. – 2022. – Vol. 255.  – № 113936.
5. Шарма К., Денг Л., Ногес К.С. Полевые исследования характеристик строительных конструкций во время землетрясения в Горкхе 25 апреля 2015 г. в Непале [Электронный ресурс]. –  Режим доступа: https://www.elibrary.ru/ip_restricted.asp?rpage=https%3A%2F%2Fwww%2Eelibrary%2Eru%2Fitem%2Easp%3Fid%3D26159530(дата обращения: 17.01.2024).
6. Юсуф А., Абдуллахи М., Садику С., Агува Дж.И., Альхаджи Б., Фолорунсо Т.А. Моделирование оседания бетона, содержащего природный крупный заполнитель, из окрестностей бида с использованием искусственной нейронной сети // Журнал мягких вычислений в гражданском строительстве. – 2021.  – T. 5. – C. 19–38.
7. Aman Kumar Navdeep Mor. An Approach-Driven: Use of Artificial Intelligence and Its Applications in Civil Engineering // Artificial Intelligence and IoT. Smart Convergence for Eco-friendly Topography. – 2021. – Springer. – Pp. 201–221.
8. Aman Kumar, Jasvir Singh Rattan A. Journey from Conventional Cities to Smart Cities In book: Smart Cities and Construction Technologies : BoD – Books on Demand. URL: https://www.researchgate.net/publication/341356003_A_Journey_from_Conventional_Cities_to_Smart_Cities (дата обращения: 10.01.2024).
9. Compressive Performance of Corroded Reinforced Concrete Columns URL: https://etj.uotechnology.edu.iq/article_169225.html (дата обращения: 12.01.2024).
10. Jayant Joshi, Harish Chandra Arora, Umesh Kumar Sharma. Structural performance of differently confined and strengthened corroding reinforced concrete columns // Construction and Building Materials. – 2015 – Vol. 82. – Pp.  287–295.
11. Keshab Sharma Lijun  deng Carlos Cruz Noguez. Field investigation on the performance of building structures during the April 25, 2015Gorkha earthquake in Nepal // Engineering Structures. – 2016. – Vol. 121. – P. 61–74.
12. Manoharan K.G., Nehru J.A., Balasubramanian S. Artificial Intelligence and IoT: Smart Convergence for Eco-Friendly Topography. – Springer: Cham, Switzerland, 2021. – 274 p.
13. Somain Sharma, Harish Chandra Arora, Aman Kumar, Denise-Penelope N. Kontoni, Nishant Raj Kapoor, Krishna Kumar, Arshdeep Singh. Computational Intelligence-Based Structural Health Monitoring of Corroded and Eccentrically Loaded Reinforced Concrete Columns // Shock and Vibration. – Vol. 2023. – Pp. 1–21.
14. Y ́epez Fabricio, Y ́epez Oswaldo.Role of constructionmaterials in the collapse of R/C buildings after Mw 7.8 pedernales – Eecuador earthquake // Case Studies in Structural Engineeringhttp. – 2016. URL: //dx.doi.org/10.1016/j.csse.2016.12.001(дата обращения: 15.01.2024).