基于人工神经网络方法的FRP增强混凝土断裂研究新思路

范向前; 刘决丁; 史晨雨; 葛菲

您当前的位置：

首页 >

文章列表页 >

基于人工神经网络方法的FRP增强混凝土断裂研究新思路

综述 | 更新时间：2025-09-25

- 基于人工神经网络方法的FRP增强混凝土断裂研究新思路
- Innovative Idea on Fracture Analysis of FRP Reinforced Concrete Using Artificial Neural Network
- 防灾减灾工程学报 2023年43卷第3期页码：626-636
- 作者机构：
  
  1.南京水利科学研究院水文水资源与水利工程科学国家重点实验室,江苏南京 210024
  2.水安全与水科学协同创新中心,江苏南京 210024
  3.天津大学建筑工程学院,天津 300350
- 作者简介：
  
  范向前（1982—），男，教授级高工，硕导，博士。主要从事混凝土断裂方面的研究。E-mail: xqfan@nhri.cn
- 基金信息：
  
  国家自然科学基金项目(52171270;51879168;51679150);黄河水科学研究联合基金(U2243223)
- DOI：
  中图分类号： TU443
- 收稿：2021-04-29，
  
  修回：2021-08-10，
  
  纸质出版：2023-06-28
- 稿件说明：
移动端阅览
范向前,刘决丁,史晨雨等.基于人工神经网络方法的FRP增强混凝土断裂研究新思路[J].防灾减灾工程学报,2023,43(03):626-636.

FAN Xiangqian,LIU Jueding,SHI Chenyu,et al.Innovative Idea on Fracture Analysis of FRP Reinforced Concrete Using Artificial Neural Network[J].Journal of Disaster Prevention and Mitigation Engineering,2023,43(03):626-636.
范向前,刘决丁,史晨雨等.基于人工神经网络方法的FRP增强混凝土断裂研究新思路[J].防灾减灾工程学报,2023,43(03):626-636. DOI：

FAN Xiangqian,LIU Jueding,SHI Chenyu,et al.Innovative Idea on Fracture Analysis of FRP Reinforced Concrete Using Artificial Neural Network[J].Journal of Disaster Prevention and Mitigation Engineering,2023,43(03):626-636. DOI：

摘要

纤维增强复合材料（FRP）作为一种新型的增强加固材料，由于其强度高、质量轻、防腐蚀、耐疲劳、与混凝土粘结性能好以及便于施工等诸多优点，在混凝土结构修复加固领域得到了广泛的应用。近年来，随着人工智能（AI）的逐渐兴起，机器学习（ML）作为实现AI的一种途径，在水利、建筑等各行各业也得到了长足的发展。首先简单介绍了ML的基本原理，并通过对ML在混凝土结构工程中应用的系统回顾与总结，指出了传统试验和数值模拟分析中FRP增强混凝土断裂研究存在的一些难点和局限性，阐述了基于ML的人工神经网络（ANN）方法在处理混凝土结构问题中的优越性，认为采用ANN方法能够有效解决FRP增强混凝土断裂研究中难以解决的问题；其次，对ANN方法应用于FRP增强混凝土断裂韧度预测中的新思路进行了详细介绍，给出了ANN方法应用于FRP增强混凝土断裂韧度预测的具体流程，并对其流程中的一些步骤给出了建议；最后，对ML应用于FRP增强混凝土断裂方向的深入研究进行了展望，提出了ML应用于FRP增强混凝土断裂方向深入研究的相关问题。

Abstract

Fiber Reinforced Polymer （FRP）， as a new type of reinforcement material， has been widely used in the field of concrete structure repair and reinforcement due to its high strength， light weight， resistance to corrosion and fatigue， effective bonding with concrete， and ease of construction. As artificial intelligence （AI） emerges， machine learning （ML） has become a popular method for its implementation in the water and construction industries in recent years. First of all， the basic principle of ML is briefly introduced in this paper， and by the systematic review and summary of ML application in concrete structure engineering. Some difficulties and limitations of FRP reinforced concrete fracture research in traditional experiment and numerical simulation analyses are highlighted. The superiority of ML-based artificial neural network （ANN） methods in dealing with concrete structure problems is elaborated. It is considered that ANN can effectively solve the problems that are difficult to solve in the research area of FRP reinforced concrete fractures. Secondly， the new idea of ANN methods applied in predicting the fracture toughness of FRP reinforced concrete is introduced in detail. The specific process of ANN methods is outlined， and some suggestions are given for certain steps in the process. Finally， the further research in the application of ML for FRP reinforced concrete fracture direction is prospected， and the related problems of ML application in further research in the research area are put forward.

关键词

Keywords

references

Fan X Q ， Liu J D . Test study on the best pasting layer of FRP reinforced concrete ［J］. Surface Review and Letters ， 2020 ， 27 （ 2 ）： 105 - 112 .

Huang L ， Zhao L ， Yan L . Flexural performance of RC beams strengthened with polyester FRP composites ［J］. International Journal of Civil Engineering ， 2018 ， 16 （ 6 ）： 715 - 724 .

Fardis M N ， Khalili H H . FRP-encased concrete as a structural material ［J］. Magazine of Concrete Research ， 2014 ， 34 （ 121 ）： 191 ‑ 202 .

范向前，刘决丁，胡少伟，等 . 不同加载速率下CFRP加固混凝土梁动态力学性能试验研究［J］. 建筑结构学报， 2020 ， 41 （ 7 ）： 201 - 206 .

Fan X Q ， Liu J D ， Hu S W ， et al . Experimental study on dynamic mechanical properties of concrete beams strengthened with FRP at different loading rates ［J］. Journal of Building Structures ， 2020 ， 41 （ 7 ）： 201 - 206 . （in Chinese）

Wroblewski L ， Hristozov D ， Sadeghian P . Durability of bond between concrete beams and FRP composites made of flax and glass fibers ［J］. Construction & Building Materials ， 2016 ， 126 （ 15 ）： 800 - 811 .

张勤，李三亚，赵永胜，等 . 纤维网增强混凝土复合材料约束混凝土应力-应变关系研究［J］. 建筑结构学报， 2021 ， 42 （ 4 ）： 166 - 176 .

Zhang Q ， Li S Y ， Zhao Y S ， et al . Study on stress-strain relationship of concrete confined with textile reinforced concrete composites ［J］. Construction & Building Materials ， 2021 ， 42 （ 4 ）： 166 - 176 . （in Chinese）

Lu X Z ， Teng J G ， Ye L P ， et al . Bond-slip models for FRP sheets/plates bonded to concrete ［J］. Engineering Structures ， 2005 ， 27 （ 6 ）： 920 - 937 .

Zhang S S ， Yu T ， Chen G M . Reinforced concrete beams strengthened in flexure with near-surface mounted （NSM） CFRP strips： Current status and research needs ［J］. Composites Part B Engineering ， 2017 ， 131 （ 12 ）： 30 - 42 .

Naser M Z . AI-based cognitive framework for evaluating response of concrete structures in extreme conditions ［J］. Engineering Applications of Artificial Intelligence ， 2019 ， 81 （ 5 ）： 437 - 449 .

Akshintala V S ， Khashab M A . Artificial intelligence in pancreaticobiliary endoscopy ［J］. Journal of Gastroenterology and Hepatology ， 2021 ， 36 （ 1 ）： 25 - 30 .

Kang M C ， Yoo D Y ， Gupta R . Machine learning-based prediction for compressive and flexural strengths of steel fiber-reinforced concrete ［J］. Construction and Building Materials ， 2021 ， 266 ： 121117 .

Salimbahrami S R ， Shakeri R . Experimental investigation and comparative machine-learning prediction of compressive strength of recycled aggregate concrete ［J］. Soft Computing ， 2021 ， 25 （ 2 ）： 919 ‑ 932 .

Cai R ， Han T ， Liao W ， et al . Prediction of surface chloride concentration of marine concrete using ensemble machine learning ［J］. Cement and Concrete Research ， 2020 ， 136 ： 1 - 11 .

Han T ， Siddique A ， Khayat K ， et al . An ensemble machine learning approach for prediction and optimization of modulus of elasticity of recycled aggregate concrete ［J］. Construction and Building Materials ， 2020 ， 244 ： 118271 .

Su M ， Peng H ， Yuan M ， et al . Identification of the interfacial cohesive law parameters of FRP strips externally bonded to concrete using machine learning techniques ［J］. Engineering Fracture Mechanics ， 2021 ， 247 ： 107643 .

Djerrad A ， Fan F ， Zhi X D ， et al . Artificial Neural Networks （ANN） based compressive strength prediction of AFRP strengthened steel tube ［J］. International Journal of Steel Structures ， 2020 ， 20 （ 1 ）： 156 - 174 .

Gandomi A H ， Alavi A H ， Sahab M G . New formulation for compressive strength of CFRP confined concrete cylinders using linear genetic programming ［J］. Materials & Structures ， 2010 ， 43 （ 7 ）： 963 - 983 .

范向前，刘决丁 . FRP增强预制裂缝混凝土的断裂性能［J］. 建筑材料学报， 2020 ， 23 （ 2 ）： 328 - 333，371 .

Fan X Q ， Liu J D . Fracture characteristics of FRP reinforced precast cracked concrete ［J］. Journal of Building Materials ， 2020 ， 23 （ 2 ）： 328 - 333，371 . （in Chinese）

Qiao P ， Ying C . Cohesive fracture simulation and failure modes of FRP‑concrete bonded interfaces ［J］. Theoretical and Applied Fracture Mechanics ， 2008 ， 49 （ 2 ）： 213 - 225 .

Khan M A ， El-Rimawi J ， Silberschmidt V V . Numerical representation of multiple premature failures in steel-plated RC beams ［J］. International Journal of Computational Methods ， 2017 ， 14 （ 4 ）： 1 - 14 .

范兴朗 . FRP约束混凝土本构关系及FRP加固混凝土梁断裂过程分析［D］. 大连：大连理工大学， 2014 .

Fan X L . Constitutive relation of FRP confined concrete and fracture process analysis of FRP strengthened concrete beams ［D］. Dalian ： Dalian University of Technology ， 2014 . （in Chinese）

Heshmati M ， Haghani R ， Al-Emrani M ， et al . On the strength prediction of adhesively bonded FRP-steel joints using cohesive zone modelling ［J］. Theoretical & Applied Fracture Mechanics ， 2018 ， 93 ： 64 - 78 .

Liu X ， Jiang J ， Wang G ， et al . Debonding analysis of curved RC beams externally bonded with FRP plates using CZM ［J］. Engineering Structures ， 2020 ， 205 （ 15 ）： 1 - 14 .

Hearing B P . Delamination in reinforced concrete retrofitted with fiber reinforced plastics ［D］. Cambridge ： Massachusetts Institute of Technology ， 2000 .

Tanaka K ， Tanaka H ， Kimachi H . Meso-mechanical analysis of elastic stress distribution in cracked frp under mode Ⅱloading by boundary element method ［J］. Nihon Kikai Gakkai Ronbunshu A Hen/transactions of the Japan Society of Mechanical Engineers Part A ， 1997 ， 63 （ 613 ）： 1902 - 1909 .

Franco A ， Royer-Carfagni G . Energetic balance in the debonding of a reinforcing stringer： effect of the substrate elasticity ［J］. International Journal of Solids and Structures ， 2013 ， 50 ： 1954 ‑ 1965 .

Xie J H ， Huang K H ， Guo Y C . Energy release rate of interface crack in RC beams strengthened with fiber reinforced polymer under four point bending ［J］. Polymers & Polymer Composites ， 2014 ， 22 （ 8 ）： 661 ‑ 668 .

Thai D K ， Tu T M ， Bui T Q ， et al . Gradient tree boosting machine learning on predicting the failure modes of the RC panels under impact loads ［J］. Engineering with Computers ， 2021 ， 37 （ 2 ）： 1 - 12 .

Mirzahosseini M ， Jiao P ， Barri K ， et al . New machine learning prediction models for compressive strength of concrete modified with glass cullet ［J］. Engineering Computations ， 2019 ， 36 （ 3 ）： 876 - 898 .

Kim H ， Ahn E ， Shin M ， et al . Crack and noncrack classification from concrete surface images using machine learning ［J］. Structural Health Monitoring ， 2019 ， 18 （ 3 ）： 725 - 738 .

Nguyen H ， Vu T ， Vo T P ， et al . Efficient machine learning models for prediction of concrete strengths ［J］. Construction and Building Materials ， 2021 ， 266 ： 120950 .

Cai R ， Han T ， Liao W ， et al . Prediction of surface chloride concentration of marine concrete using ensemble machine learning ［J］. Cement and Concrete Research ， 2020 ， 136 ： 106164 .

梁宁慧，游秀菲，曹郭俊，等 . 基于机器学习的高温后聚丙烯纤维混凝土强度预测［J］. 硅酸盐通报， 2021 ， 40 （ 2 ）： 455 - 464 .

Liang N H ， You X F ， Cao G J ， et al . Strength prediction of mechanical properties of polypropylene fiber reinforced concrete after high temperature based on machine learning ［J］. Bulletin of the Chinese Ceramic Society ， 2021 ， 40 （ 2 ）： 455 - 464 . （in Chinese）

张研，邝贺伟，曾建斌 . 再生保温混凝土抗压强度预测的相关向量机模型［J］. 混凝土， 2020 ， 371 （ 9 ）： 10 - 14 .

Zhang Y ， Kuang H W ， Zeng J B . Relevance vector machine model for predicting compressive strength of recycled thermal insulation concrete ［J］. Concrete ， 2020 ， 371 （ 9 ）： 10 - 14 . （in Chinese）

Cai J ， Luo J ， Wang S ， et al . Feature selection in machine learning： A new perspective ［J］. Neurocomputing ， 2018 ， 300 （ 26 ）： 70 - 79 .

Mozumder R A ， Laskar A I . Prediction of unconfined compressive strength of geopolymer stabilized clayey soil using Artificial Neural Network ［J］. Computers & Geotechnics ， 2015 ， 69 （ 9 ）： 291 - 300 .

Jiao P ， Xiao P Q ， Hou X X ， et al . Experimental study on sediment transport capacity model of slope runoff based on ANN ［J］. Advanced Materials Research ， 2014 ， 1010-1012 ： 1149 - 1152 .

Haykin S . Neural networks： a comprehensive foundation （3rd Edition）［M］. Upper Saddle River ： Prentice Hall ， 1998 .

张德庆，王超，杜君峰 . 基于人工神经网络算法的深海浮式系统动力响应预报方法［J］. 中国造船， 2021 ， 62 （ 1 ）： 123 - 132 .

Zhang D Q ， Wang C ， Du J F . A novel method for predicting dynamic response of deep-sea floating system based on artificial neural network ［J］. Shipbuilding of China ， 2021 ， 62 （ 1 ）： 123 - 132 . （in Chinese）

余海玲，郑建岚 . 基于Python人工神经网络的再生混凝土碳化深度预测［J］. 混凝土， 2020 ， 371 （ 9 ）： 52 - 55 .

Yue H L ， Zheng J L . Prediction of carbonization depth of recycled concrete based on artificial neural network by Python ［J］. Concrete ， 2020 ， 371 （ 9 ）： 52 - 55 . （in Chinese）

吕天启，赵国藩，林志伸 . 人工神经网络在高温后静置混凝土抗压强度预报中的应用［J］. 工程力学， 2003 ， 20 （ 6 ）： 52 - 57 .

Lyu T Q ， Zhao G F ， Lin Z S . Application of artificial neural network in the prediction of compressive strength of longstanding concrete after exposure to high temperature ［J］. Engineering Mechanics ， 2003 ， 20 （ 6 ）： 52 - 57 . （in Chinese）

黄庆时，郑建岚，罗素蓉 . 人工神经网络在自密实混凝土抗压强度预测中的应用［J］. 福州大学学报（自然科学版）， 2007 ， 35 （ 1 ）： 100 - 104 .

Huang Q S ， Zheng J L ， Luo S R . Application of artificial neural networks for prediction of self-compacting concrete strength ［J］. Journal of Fuzhou University （Natural Science Edition）， 2007 ， 35 （ 1 ）： 100 - 104 . （in Chinese）

Duan Z H ， Kou S C ， Poon C S . Prediction of compressive strength of recycled aggregate concrete using artificial neural networks ［J］. Construction and Building Materials ， 2013 ， 40 ： 1200 - 1206 .

Aikgen M ， Ula M ， Kürat Esat Alyama . Using an artificial neural network to predict mix compositions of steel fiber-reinforced concrete ［J］. Arabian Journal for Science & Engineering ， 2015 ， 40 （ 2 ）： 407 - 419 .

Chopra P ， Sharma R K ， Kumar M . Artificial neural networks for the prediction of compressive strength of concrete ［J］. International Journal of Applied Science & Engineering ， 2015 ， 13 （ 3 ）： 187 - 204 .

Abuodeh O R ， Abdalla J A ， Hawileh R A . Prediction of shear strength and behavior of RC beams strengthened with externally bonded FRP sheets using machine learning techniques ［J］. Composite Structures ， 2020 ， 234 ： 11698 .

Yavuz G ， Arslan M H ， Baykan O K . Shear strength predicting of FRP-strengthened RC beams by using artificial neural networks ［J］. Science & Engineering of Composite Materials ， 2014 ， 21 （ 2 ）： 239 - 255 .

Zhou Y ， Zheng S ， Huang Z ， et al . Explicit neural network model for predicting FRP-concrete interfacial bond strength based on a large database ［J］. Composite Structures ， 2020 ， 240 ： 111998 .

Yan F ， Lin Z ， Wang X ， et al . Evaluation and prediction of bond strength of GFRP-bar reinforced concrete using artificial neural network optimized with genetic algorithm ［J］. Composite Structures ， 2017 ， 161 ： 441 - 452 .

沈花玉，王兆霞，高成耀，等 . BP神经网络隐含层单元数的确定［J］. 天津理工大学学报， 2008 ， 24 （ 5 ）： 13 - 15 .

Shen Y H ， Wang Z X ， Gao C Y ， et al . Determining the number of BP neural network hidden layer units ［J］. Journal of Tianjin University of Technology ， 2008 ， 24 （ 5 ）： 13 - 15 . （in Chinese）

Ren N ， Fan L ， Zhang Z . Sensorless PMSM control with sliding mode observer based on sigmoid function ［J］. Journal of Electrical Engineering & Technology ， 2021 ， 16 （ 2 ）： 933 - 939 .

Chanda S ， Kanke Y ， Dalen M ， et al . Coefficient of variation from vegetation index for sugarcane population and stalk evaluation ［J］. Agrosystems ， Geosciences & Environment， 2018 ， 1 （ 1 ）： 106 - 112 .

范向前，刘决丁 . 不同FRP增强混凝土梁断裂性能试验研究［J］. 建筑材料学报， 2020 ， 23 （ 5 ）： 1093 - 1097，1103 .

Fan X Q ， Liu J D . Experimental study on fracture behavior of different kinds of FRP reinforced concrete ［J］. Journal of Building Materials ， 2020 ， 23 （ 5 ）： 1093 - 1097，1103 . （in Chinese）

Ilia E ， Mostofinejad D . Seismic retrofit of reinforced concrete strong beam-weak column joints using EBROG method combined with CFRP anchorage system ［J］. Engineering Structures ， 2019 ， 194 （ 9 ）： 300 - 319 .

范向前，刘决丁，胡少伟，等 . FRP黏结长度对混凝土三点弯曲梁断裂参数的影响［J］. 建筑材料学报， 2019 ， 22 （ 1 ）： 38 - 44 .

Fan X Q ， Liu J D ， Hu S W ， et al . Influence of FRP bonding length on fracture parameters of concrete three points bending beam ［J］. Journal of Building Materials ， 2019 ， 22 （ 1 ）： 38 - 44 . （in Chinese）

Liu J D ， Fan X Q ， Shi C Y . Effect of initial crack-depth ratio on fracture characteristics of FRP-strengthened concrete ［J］. Fatigue & Fracture of Engineering Materials & Structures ， 2021 （ 12 ）： 1 - 11 .

Zhang Y ， Sayed M ， Zhang L V ， et al . Flexural behavior of reinforced concrete T-section beams strengthened by NSM FRP bars ［J］. Engineering Structures ， 2021 ， 233 ： 1 - 12 .

Beheshti S ， Sahebalam A ， Nidoy E . Structure dependent weather normalization ［J］. Energy Science & Engineering ， 2019 ， 7 ： 1 - 2 .

范向前，刘决丁，胡少伟，等 . FRP加固混凝土研究现状与展望［J］. 混凝土， 2019 （ 12 ）： 156 - 160 .

Fan X Q ， Liu J D ， Hu S W ， et al . General introduction of the research for FRP reinforced concrete ［J］. Concrete ， 2019 （ 12 ）： 156 - 160 . （in Chinese）

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据