现场混凝土抗压强度测试方法及人工智能预测强度的应用

姓名：王桂生

摘要：无损检测是评估现场混凝土结构强度的重要手段之一，其不会对现有混凝土结构造成破坏，也比较经济。回弹法和超声波检测法是常用的混凝土抗压强度无损检测方法。本文总结了这两种无损检测方法的原理和对测试结果的影响因素，同时也简述了人工智能在预测混凝土强度的研究进展。与破坏性检测方法相比，回弹法与超声波检测法最主要的缺点是测试推算的抗压强度不够准确。针对上述问题，本文介绍了一种基于人工智能的原位混凝土抗压强度测试方法，能有效提高混凝土强度推算的准确度。

关键词：混凝土强度；无损检测；准确性；人工智能

引言

回弹法和超声波检测法是目前被广泛应用的的混凝土抗压强度无损检测方法。本文总结了这两种无损检测方法的原理和对测试结果的影响因素及在强度推算方面的误差，也介绍了人工智能在预测混凝土强度的研究进展供研究人员和从业人员参考。

1 混凝土无损检测技术简述

1.1 回弹法

回弹法是用于混凝土抗压强度评定最常用的方法之一。该方法通过回弹值与强度的关系来推定混凝土强度[1]。其回弹值的大小除了与撞击过程中吸收的能量有关，还与混凝土的含水率、表面粗糙度、粗骨料的性质、混凝土的龄期、混凝土的形状和尺寸、混凝土的刚度等因素有关[2]。回弹法详细的测试步骤可参考《回弹法检测混凝土抗压强度技术规程》JGJ/T 23-2011[3]。

1.2 超声波检测法

超声波检测是测量超声波脉冲在混凝土中的传播速度，通过传播速度与强度之间的关系来推定混凝土的抗压强度。混凝土的超声脉冲速度与混凝土的龄期有关，与混凝土的空隙体积成反比[4]。此外，骨料、水灰比、混凝土内部相对湿度、密度、水泥类型、水泥水化等均会影响超声波脉冲速度大小[5,6]，这些影响因素对脉冲速度的影响并无显著规律[7]。因此，这些影响因素最终会影响超声波检测方法推定混凝土强度准确性。

1.3 超声综合回弹法

超声-综合回弹法是20世纪60年代研究开发用于测试混凝土强度的一种方法。该方法利用回弹仪和混凝土超声波检测仪，通过建立回弹值、超声波脉冲声速值与强度的关系进而推定混凝土的强度[8]。这种方法能有效减少龄期和含水率对测试结果的影响，测试精度优于回弹法和超声波检测法。

2 无损检测技术与人工智能结合

2.1 无损检测与人工网络预测混凝土强度

如今，人工智能（AI）方法，如人工神经网络（ANN）、支持向量机（SVM）和自适应神经模糊推理系统（ANFIS）被广泛应用于各个研究领域。多项研究结果表明，神经网络、支持向量机和自适应神经模糊推理系统是有效的人工智能预测方法[9]。在应用人工智能预测混凝土强度时，大多数研究工作都集中在应用神经网络进行预测上。Asteris和Mokos提出了两种可靠的神经网络模型用于处理无损检测获得的数据进而预测混凝土的抗压强度[10]。Gholamreza和Arash使用混合的人工智能方法研究了神经网络的径向基本函数，并结合萤火虫算法来预测混凝土的抗压强度[11]。与参数多变量回归模型相比，Bonagura和Bobile验证了人工神经方法在预测抗压强度方面的准确性[12]。值得注意的是，这些研究工作使用了从以前的研究中获得的数据库。

2.2开发基于人工智能强度测试方法的必要性

现浇混凝土结构的强度与许多因素有关，如浇筑、振实、养护等，在实验室使用破坏性方法获取抗压强度，其结果将不能准确地代表现浇混凝土结构的质量。测试现场混凝土芯样抗压强度是一种比较好的方法，能准确代表现浇混凝土结构的质量，但是有时现场没有钻芯取样的条件，且在钻芯的过程中可能破坏混凝土结构性能。因此，无损检测（NDT）方法由于其现场测试、操作方便、相对经济，常作为破坏性检测方法的替代方法，用于检测现浇混凝土的抗压强度。回弹法和超声波法是检测混凝土强度应用最普遍的两种无损检测方法，在不损坏结构的情况下，这两种方法可以有效地评估混凝土结构的质量。然而，与使用破坏性测试方法获得的结果相比，回弹法测试结果有很大百分比的误差，而对于超声波测试方法，其结果也不太准确。主要是因为回弹法和超声波检测法在强度预测方面采用的经验拟合公式，人工智能在解决非线性问题上有优势，其拟合误差小。有研究人员提出了一种利用人工智能分析回弹法和超声波法测试结果，开发出一种更精确的混凝土抗压强度预测模型。

2.3 基于人工智能的原位混凝土抗压强度测试方法概述

Yang Yu等人[13]采用三种人工智能技术（ANNs、SVM和ANFIS）建立了预测模型，这些模型被设计并应用于非线性问题，模型开发过程如图1所示。他为了提高现场无损混凝土抗压强度试验的估算结果，采用人工智能方法对回弹法和超声检测法的试验数据（大型住宅综合体的非结构梁中总共收集了来自98个样本的现场试验数据）进行了分析，将回弹值平均值和超声脉冲速度的平均值作为模型输入变量，模型输出量为混凝土抗压强度。在98个样本中，随机抽取70个样本作为本研究的训练数据，识别出结果最好的训练模型，将其余28个样本作为检验数据，评价模型预测精度。从已有的文献中看，与混凝土抗压强度的实际破坏性试验相比，传统混凝土抗压强度估算的平均绝对百分比误差超过20%。而将人工智能技术应用于数据分析，研究结果表明，神经网络、支持向量机和ANFIS预测模型得到了令人满意的混凝土强度预测结果，平均绝对百分比误差分别为14.69%、10.23%和10.01%。其研究结果为研究人员和行业从业人员在使用无损检测方法评价现场混凝土抗压强度时提供了有价值的参考。

图1 模型开发

3 结语

回弹法和超声波检测法是常用的混凝土抗压强度无损检测方法，与破坏性检测方法相比，回弹法与超声波检测法最主要的缺点是测试推算的抗压强度不够准确。但基于人工智能的原位混凝土抗压强度测试方法可以有效改善上述问题。研究人员和行业从业人员在使用无损检测方法评价现场混凝土抗压强度为减小误差可参考使用该方法。

参考文献

[1]庞洵.回弹法检测混凝土强度的准确性研究[J].中国标准化,2022(08):127-130.

[2]Huang, Q.; Gardoni, P.; Hurlebaus, S. Predicting Concrete Compressive Strength Using Ultrasonic Pulse Velocity and ReboundNumber. ACI Mater. J. 2001, 108, 403–412.

[3]文恒武, 回弹法检测混凝土抗压强度技术规程. 陕西省,陕西省建筑科学研究院,2010-05-27.

[4]Kou, S.-C.; Poon, C.S.; Wan, H.-W. Properties of concrete prepared with low-grade recycled aggregates. Constr. Build. Mater. 2012,36, 881–889.

[5]Sztukiewicz, R.J. Application of ultrasonic methods in asphalt concrete testing. Ultrasonics 1991, 29, 5–12

[6]张海平.超声波法检测混凝土强度的影响因素分析[J].山西建筑,2008(10):85-86.

[7]Vipulanandan, C.; Garas, V. Electrical resistivity, pulse velocity, and compressive properties of carbon fiber-reinforced cementmortar. J. Mater. Civ. Eng. 2008, 20, 93–101.

[8]CECS 02-2005, 超声回弹综合法检测混凝土强度技术规程[S].

[9]Zhang, J.; Haghighat, F. Development of Artificial Neural Network based heat convection algorithm for thermal simulation oflarge rectangular cross-sectional area Earth-to-Air Heat Exchangers. Energy Build. 2010, 42, 435–440.

[10]Asteris, P.G.; Mokos, V.G. Concrete compressive strength using artificial neural networks. Neural Comput. Appl. 2019, 32,11807–11826.

[11]Pazouki, G.; Pourghorban, A. Using a hybrid artificial intelligence method for estimating the compressive strength of recycled aggregate self-compacting concrete. Eur. J. Environ. Civ. Eng. 2021, 8, 20–34.

[12]Bonagura, M.; Nobile, L. Artificial Neural Network (ANN) Approach for Predicting Concrete Compressive Strength by SonReb.Struct. Durab. Health Monit. 2021, 15, 125–137.

[13]Stel’makh S A, Shcherban’ E M, Beskopylny A N, et al. Prediction of Mechanical Properties of Highly Functional Lightweight Fiber-Reinforced Concrete Based on Deep Neural Network and Ensemble Regression Trees Methods[J]. Materials, 2022, 15(19): 6740.