混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质与流程

1.本发明涉及混凝土钢筋腐蚀状态检测技术领域，具体涉及一种混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质。


背景技术：

2.混凝土中的钢筋腐蚀会导致钢筋混凝土结构物破损，是影响结构耐久性的主要影响因素之一。精准的混凝土构件内部钢筋腐蚀状态的评定结果可以作为混凝土结构的维护和维修的依据，使其能够更好保证混凝土构件的安全性和耐久性。因此从经济和安全的角度考虑，应尽早诊断出钢筋的腐蚀区域，便于维护工作。
3.在进行腐蚀检测过程中，由于传输线路埋在混凝土结构中，往往导致检测工作量大，受外界因素影响大，且在施工过程中容易损坏。为了缓解上述问题，目前较为成熟的非破损检测方法主要集中在半电位法、混凝土电阻法等，通过测定钢筋混凝土腐蚀体系的电化学特性来确定混凝土中钢筋的腐蚀程度或腐蚀速度。但是这类检测方法仍存在测量周期长、操作复杂、腐蚀环境单一等问题。


技术实现要素：

4.本发明的目的在于提供一种混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质，该方法能够解决现有检测方法中存在的测量周期长、操作复杂、腐蚀环境单一的技术问题。
5.为了克服上述现有技术中的缺陷，本发明提供了一种混凝土钢筋腐蚀状态评定方法，包括：
6.在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；
7.提取所述标准波形图的分布特征；
8.利用svr支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；
9.利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值。
10.进一步地，所述标准波形图的分布特征，包括所述标准波形图的平均值、峰值、均方根、标准值、偏度、频带功率及波峰因数。
11.进一步地，所述利用svr支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值，包括：
12.根据所述标准波形图的平均值、峰值、均方根、频带功率及波峰因数建立训练样本集，并建立与所述训练样本集对应的实际腐蚀电流密度数据集；
13.建立关于所述训练样本集的目标函数，所述目标函数无限趋于实际腐蚀电流密度数据；
14.利用svr支持向量回归的机器学习算法，以所述目标函数为中心建立预设宽度的
隔离带；
15.将落入所述隔离带中的训练样本作为目标样本并进行整合，得到扫描信号强度与腐蚀电流密度的映射关系，根据所述映射关系得到所述初始腐蚀电流密度预测值。
16.进一步地，所述利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值，包括：
17.获取所述评价指标的计算公式：
[0018][0019]
其中，y
′
为初始腐蚀电流密度预测值，y为实际腐蚀电流密度，n为预测数值的总个数；
[0020]
当mape＜10时，将所述初始腐蚀电流密度预测值作为所述目标腐蚀电流密度预测值。
[0021]
本发明还提供了一种混凝土钢筋腐蚀状态评定系统，包括：
[0022]
波形图获取单元，用于在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；
[0023]
特征提取单元，用于提取所述标准波形图的分布特征；
[0024]
预测单元，用于利用svr支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；
[0025]
评估单元，用于利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值。
[0026]
进一步地，所述标准波形图的分布特征，包括所述标准波形图的平均值、峰值、均方根、标准值、偏度、频带功率及波峰因数。
[0027]
进一步地，所述预测单元，还用于：
[0028]
根据所述标准波形图的平均值、峰值、均方根、频带功率及波峰因数建立训练样本集，并建立与所述训练样本集对应的实际腐蚀电流密度数据集；
[0029]
建立关于所述训练样本集的目标函数，所述目标函数无限趋于实际腐蚀电流密度数据；
[0030]
利用svr支持向量回归的机器学习算法，以所述目标函数为中心建立预设宽度的隔离带；
[0031]
将落入所述隔离带中的训练样本作为目标样本并进行整合，得到扫描信号强度与腐蚀电流密度的映射关系，根据所述映射关系得到所述初始腐蚀电流密度预测值。
[0032]
进一步地，所述评估单元，还用于：
[0033]
获取所述评价指标的计算公式：
[0034][0035]
其中，y
′
为初始腐蚀电流密度预测值，y为实际腐蚀电流密度，n为预测数值的总个数；
[0036]
当mape＜10时，将所述初始腐蚀电流密度预测值作为所述目标腐蚀电流密度预测值。
[0037]
本发明还提供了一种终端设备，包括：
[0038]
一个或多个处理器；
[0039]
存储器，与所述处理器耦接，用于存储一个或多个程序；
[0040]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的混凝土钢筋腐蚀状态评定方法。
[0041]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行实现如上任一项所述的混凝土钢筋腐蚀状态评定方法。
[0042]
相对于现有技术，本发明的有益效果在于：
[0043]
本发明公开的混凝土钢筋腐蚀状态评定方法，包括在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；提取所述标准波形图的分布特征；利用svr支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值。本发明能够大大减小腐蚀状态检测的工作量，同时能快速准确、无损伤地检测出具体工作环境下钢筋腐蚀状态，不仅操作简便，同时适用于不同情况下的腐蚀检测，适用性强。
附图说明
[0044]
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]
图1是本发明某一实施例提供的混凝土钢筋腐蚀状态评定方法的流程示意图；
[0046]
图2是图1中步骤s30的子步骤流程示意图；
[0047]
图3是本发明某一实施例提供的预埋参比电极在混凝土构件示意图；
[0048]
图4是本发明某一实施例提供的钢筋扫描仪扫描试验图；
[0049]
图5是本发明某一实施例提供的扫描波形信号示意图；
[0050]
图6是本发明某一实施例提供的svr支持向量回归示意图；
[0051]
图7是本发明某一实施例提供的混凝土钢筋腐蚀状态评定系统的结构示意图。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
[0054]
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0055]
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，
但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0056]
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0057]
第一方面：
[0058]
请参阅图1，本发明某一实施例提供了一种混凝土钢筋腐蚀状态评定方法，包括：
[0059]
s10、在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；
[0060]
需要说明的是，本步骤主要通过在固定的时间周期对混凝土构件进行钢筋扫描量化获取随时间周期变化的波形信号图，且为一种定量分析方法。具体地，s10又包括以下步骤：
[0061]
(a1)在混凝土浇筑前将封装好的参比电极固定在钢筋笼上，使其在混凝土构件标定检测范围；
[0062]
(a2)以时间周期5年为单位，使用线性极化法进行混凝土钢筋的腐蚀速度测定；
[0063]
(a3)在混凝土浇筑初期，使用钢筋扫描仪对混凝土构件进行扫描，获取混凝土构件的波形信号图；
[0064]
(a4)将获取的混凝土构件的波形信号图作为无腐蚀状态的标准波形图；
[0065]
(a5)重复a1～a3步骤，获取大量的无腐蚀状态的标准波形图；
[0066]
(a6)以时间周期5年为单位，进行多次扫描混凝土构件，获取大量的不同腐蚀状态的标准波形图；
[0067]
s20、提取所述标准波形图的分布特征；
[0068]
需要说明的是，在本步骤中使用数学统计的方法在时间域上计算波形信号图生成了平均值、峰值、均方根、标准值等特征值，基于傅里叶变换的频域卷积定理得到信号在频谱域上的分布，在频谱域上计算生成了峰值、偏度等特征值，最后提取波形信号图分布特征。
[0069]
s30、利用svr支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；
[0070]
需要说明的是，在本步骤中，基于svr支持向量回归的机器学习方法，在拥有大量已知腐蚀状态数据的基础上，学习训练学习波形信号图的分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值。同时，基于传感器上传的混凝土构件的实际钢筋腐蚀电流密度和机器学习得到的钢筋腐蚀电流密度预测值。
[0071]
请参阅图2，在某一具体实施方式中，s30又包括以下子步骤：
[0072]
s301、根据所述标准波形图的平均值、峰值、均方根、频带功率及波峰因数建立训练样本集，并建立与所述训练样本集对应的实际腐蚀电流密度数据集；
[0073]
s302、建立关于所述训练样本集的目标函数，所述目标函数无限趋于实际腐蚀电流密度数据；
[0074]
s303、利用svr支持向量回归的机器学习算法，以所述目标函数为中心建立预设宽度的隔离带；
[0075]
s304、将落入所述隔离带中的训练样本作为目标样本并进行整合，得到扫描信号强度与腐蚀电流密度的映射关系，根据所述映射关系得到所述初始腐蚀电流密度预测值。
[0076]
s40、利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评
估，并得到目标腐蚀电流密度预测值。
[0077]
在本步骤中，选取常用的机器学习模型评价指标mape来衡量机器学习的预测精度，对于误差衡量指标mape值越小则模型预测的精度越高，其中，mape的计算模型为：
[0078][0079]
其中，y
′
为初始腐蚀电流密度预测值，y为实际腐蚀电流密度，n为预测数值的总个数。
[0080]
当mape＜10时，可以认为模型的预测精度达到95％以上，此时将机器学习得到的初始腐蚀电流密度预测值作为目标腐蚀电流密度预测值。
[0081]
本发明实施例提供的方法，能够大大减小腐蚀状态检测的工作量，同时能快速准确、无损伤地检测出具体工作环境下钢筋腐蚀状态，不仅操作简便，同时适用于不同情况下的腐蚀检测，适用性强。
[0082]
第二方面：
[0083]
在某一具体实施例中，整个方案又包括以下过程：
[0084]
1)在固定的时间周期对混凝土构件进行钢筋扫描量化获取随时间周期变化的波形信号图获取，具体步骤如下：
[0085]
1.1)在混凝土浇筑前将封装好的参比电极固定在钢筋笼上，使其在混凝土构件标定检测范围；如图3所示，图3为预埋参比电极在混凝土构件示意图，其中“1”表示参比电极预埋位置，“2”表示钢筋分布情况。
[0086]
1.2)以时间周期5年为单位，使用线性极化法采用三电极系统(即工作电极、辅助电极和参比电极)进行混凝土钢筋的腐蚀速度测定，测试仪器包括gamry reference 600电化学工作站、外接直流电源、不锈钢辅助电极、ag/agcl参比电极及饱和kcl溶液、海绵以及若干导线；
[0087]
1.3)在混凝土浇筑初期，使用钢筋扫描仪对混凝土构件进行扫描，其中，钢筋扫描仪扫描试验图如图4所示；
[0088]
1.4)根据传感器位置确定扫描范围；
[0089]
1.5)获取混凝土构件的波形信号图，如图5所示；
[0090]
1.6)将获取的混凝土构件的波形信号图作为无腐蚀状态的标准波形图；
[0091]
1.7)重复1.3)～1.6)步骤，获取大量的无腐蚀状态的标准波形图；
[0092]
1.8)以时间周期5年为单位，进行多次扫描混凝土构件，获取大量的不同腐蚀状态的标准波形图；
[0093]
2)提取标准波形图的分布特征：
[0094]
根据公式(2
‑
4)在时间域上计算波形信号图生成了平均值、均方根、峰值、标准值等特征值，使用傅里叶变换的频域卷积公式(5)得到信号在频谱域上的分布，然后根据公式(6
‑
7)在频谱域上计算生成了频带功率、偏度等特征值。
[0095][0096][0097]
x
p
＝max{|x
i
|}
ꢀꢀ
(4)
[0098][0099][0100][0101]
其中，x
i
为波形图中的信号强度；为时间域上的平均值；x
rms
为时间域上的均方根；x
p
为时间域上的峰值；s为频谱域上的频带功率，w1和w2分别代表最小和最大频率；c
p
为频谱域上的偏度；n为预测数值的总个数。
[0102]
通过上述步骤，提取波形信号图的分布特征平均值、均方根、峰值、频带功率、波峰因数等特征值。
[0103]
3)基于svr支持向量回归的机器学习方法，得到混凝土构件内部钢筋腐蚀电流密度预测值，过程如下：
[0104]
3.1)以波形信号图的分布特征平均值、均方根、峰值、频带功率、波峰因数等特征值建立训练样本集{x
i
}；并建立与{x
i
}对应的实际钢筋腐蚀电流密度数据集{y
i
}(i＝1,2,
…
,m)；
[0105]
3.2)假定训练样本在特征空间中式线性可分的，寻找一个超平面将不同腐蚀状态的样本完全划分开来即机器学习的目标，于是将svr问题形式化为确定目标函数式(8)，使得f(x
i
)与y
i
尽可能接近，其中y
i
为实际钢筋腐蚀电流密度，是c为正则化常数，l
ε
是ε的不敏感损失函数，w,b为待确定的模型参数；
[0106][0107]
3.3)svr支持向量回归方法以f(x
i
)为中心构建了一个宽度为2的间隔带，若训练样本落入此间隔带，则认为是被预测正确的，如图6所示。
[0108]
3.4)整合得到大数据下扫描信号强度与腐蚀电流密度之间复杂的映射关系。
[0109]
基于参比电极采集的混凝土构件的钢筋实际腐蚀电流密度y1和机器学习得到的钢筋腐蚀电流密度预测值y1′
，选取常用的机器学习模型评价指标mape来衡量机器学习的预测精度。
[0110][0111]
需要说明的是，对于误差衡量指标mape值越小则模型预测的精度越高，当rmse小于10时可以认为模型的预测精度达到95％以上。即可将此时的腐蚀电流密度预测值作为最终的钢筋腐蚀电流密度预测值。
[0112]
第三方面：
[0113]
请参阅图7，本发明某一实施例还提供了一种混凝土钢筋腐蚀状态评定系统，包括：
[0114]
波形图获取单元01，用于在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；
[0115]
特征提取单元02，用于提取所述标准波形图的分布特征；
[0116]
预测单元03，用于利用svr支持向量回归的机器学习算法，训练并学习所述分布特
memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
[0136]
终端设备可以被一个或多个应用专用集成电路(application specific1ntegrated circuit，简称as1c)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device,简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的混凝土钢筋腐蚀状态评定方法，并达到如上述方法一致的技术效果。
[0137]
本发明某一实施例还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现如上述任一项实施例所述的混凝土钢筋腐蚀状态评定方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由终端设备的处理器执行以完成如上述任一项实施例所述的混凝土钢筋腐蚀状态评定方法，并达到如上述方法一致的技术效果。
[0138]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。