本发明属于土木工程结构耐久性领域，具体涉及一种既有工业建筑结构耐久性损伤预警方法。
背景技术：
工业建筑作为一切工业生产的基础性设施，其质量和安全直接影响到生产能否正常进行。工业建筑的所处环境比一般的民用建筑要恶劣得多，有的工业建筑在铸造、冶炼、烧结和选矿等生产环境中受到了重载、高温和腐蚀等多重作用，导致工业建筑在投入使用后大约5～10年时间就出现了耐久性损伤，当发生严重损伤时可造成重大的人员伤亡和财产损失。在实际工程中，对复杂多变的环境作用造成的结构耐久性损伤考虑不足，缺乏结构耐久性损伤的预警方法，不仅会增加使用过程中的维修费用，而且会造成结构性能提前劣化以及使用功能和承载能力下降，严重的会造成工业建筑提前结束服役。
传统既有工业建筑结构耐久性损伤预警方法多为专家预警，由专家根据现场勘测数据结合以往经验给出结构耐久性损伤意见，这种方法人为干扰因素很多，不同专家给出的结构耐久性损伤意见可能出现较大分歧。由于既有工业建筑结构耐久性损伤具有结构耐久性参数复杂、参数间相互耦合的特点，导致结构耐久性损伤预警难度很大，单纯的采用某一种方法对工业建筑结构耐久性损伤进行预警很难保证预警的准确性。
技术实现要素：
针对既有工业建筑结构耐久性参数繁多、参数间相互耦合、采用单一方法无法准确预警的缺陷或不足，本发明的目的在于，提供一种既有工业建筑结构耐久性损伤预警方法。
为了实现上述任务，本发明采取如下的技术解决方案：
一种既有工业建筑结构耐久性损伤预警方法，其特征在于，按下列步骤实施：
1)根据钢筋混凝土结构耐久性损伤机理，采集9个既有工业建筑结构耐久性损伤表征参数构建条件属性集r＝{r1,r2,…r9}，其中，r1表示平均温度，r2表示平均湿度，表示平均co2浓度，r4表示平均so2浓度，r5表示混凝土强度，r6表示混凝土裂缝宽r3度，r7表示混凝土碳化深度，r8表示保护层厚度实测值/设计值，r9表示钢筋锈蚀程度；
2)选取既有工业建筑结构中典型构件作为预警对象，设预警对象用x表示，预警对象集合为u，x∈u；然后构造属性决策表，设决策属性集为t＝{a,b,c}，并为三个等级，其中a表示构件或结构耐久性安全状态，不采取修复或采取其他提高耐久性措施；b表示构件或结构耐久性损伤预警状态，视情况对部分结构损伤区域部分采取修复或采取其他提高耐久性措施；c表示构件或结构耐久性严重损伤预警状态，应及时采取修复或采取其他提高耐久性措施；
3)检查属性决策表中有无相同的或者冲突的行，若有，分别进行合并或删除处理，检查完成后，生成耐久性损伤预警知识表达系统s；检查r＝{r1,r2,…,r9}中每一个属性ri是否为冗余属性，若：
4)计算核心属性集中每个属性的信息增益；
5)计算核心属性集中每个属性的信息增益率，选择最大信息增益率的属性作为最佳分组变量；
6)决策树生长；
7)从叶节点向上逐层剪枝，估计待剪节点的误差；
8)根据既有工业建筑结构中构件耐久性损伤预警等级决策树进行判定，当既有工业建筑结构中的构件耐久性损伤预警等级出现c等级时，为保障既有工业建筑结构的安全性，判定该既有工业建筑结构耐久性损伤预警等级为c，需要立即对结构中耐久性损伤处于c等级的构件进行修复或提高耐久性的措施；当结构中的构件耐久性损伤等级未出现c等级时，将耐久性损伤等级处于a的构件数与耐久性损伤等级处于b的构件数进行比较，若耐久性损伤等级处于a的构件数比耐久性损伤等级处于b的构件数多，判定该既有工业建筑结构耐久性损伤等级为a，反之为b。
根据本发明，所述计算核心属性集中每个属性的信息增益的具体方法是：首先计算核心属性集中每个属性的信息量i＝-log2p，其中p表示构件损伤预警等级在预警对象中出现的概率，然后计算信息量的均值e(u)＝-palog2pa-pblog2pb-pclog2pc，其中pa，pb，pc表示构件耐久性损伤预警等级a，b，c在预警对象中出现的概率，再计算增加了构件耐久性损伤影响因子的信息后验熵
进一步地，所述计算核心属性集中每个属性的信息增益率，选择最大信息增益率的属性作为最佳分组变量的方法是：首先计算每个属性的信息熵
所述从叶节点向上逐层剪枝，估计待剪节点的误差的方法是：使用统计学中置信区间的估计方法，观察到的误差率
本发明的既有工业建筑结构耐久性损伤预警方法，首次将粗糙集-决策树复合技术应用于既有工业建筑结构耐久性损伤预警中，融合了粗糙集理论中的属性约简方法和机器学习中的决策树分类方法，获得构件耐久性损伤预警等级，进而判断结构耐久性损伤预警等级。不仅能够降低结构耐久性参数的复杂度，还能保证构件和结构耐久性损伤预警的准确性，实现了既有工业建筑结构耐久性损伤及时、准确的预警。与现有技术相比，带来的技术创新在于：
1)使用粗糙集理论中的属性约简方法对冗余的属性予以删除，以约简后的属性集合作为决策树的训练样本，简化了决策树的复杂度，使决策树更加简单直观，并加快了运算速度，减少了运算复杂度。
2)由于类别越多计算得到的信息增益就越大，在该决策树算法中，不是直接使用信息增益，而是使用信息增益率来作为分割标准，避免使得类别元素多的属性有天然优势成为分割节点，提高了预警的准确性。
3)在决策树生长完成之后，为了避免它过于“依赖”训练样本出现过度拟合的问题，采用后修剪方法从叶节点向上逐层剪枝，优化了决策树结构。
附图说明
图1是本发明的既有工业建筑结构耐久性损伤预警方法的算法流程图；
图2是既有工业建筑构件耐久性损伤预警分类结果图。
下面结合附图和实施例对本发明作进一步详细说明。
具体实施方式
参见图1和图2，本实施例给出一种既有工业建筑结构耐久性损伤预警方法，按下列步骤实施：
1)根据钢筋混凝土结构耐久性损伤机理，采集9个既有工业建筑结构耐久性损伤表征参数构建条件属性集r＝{r1,r2,…r9}，其中，r1表示平均温度，r2表示平均湿度，表示平均co2浓度，r4表示平均so2浓度，r5表示混凝土强度，r6表示混凝土裂缝宽r3度，r7表示混凝土碳化深度，r8表示保护层厚度实测值/设计值，r9表示钢筋锈蚀程度；
2)选取既有工业建筑结构中典型构件作为预警对象，设预警对象用x表示，预警对象集合为u，x∈u；然后构造属性决策表，设决策属性集为t＝{a,b,c}，并为三个等级，其中a表示构件或结构耐久性安全状态，不采取修复或采取其他提高耐久性措施；b表示构件或结构耐久性损伤预警状态，视情况对部分结构损伤区域部分采取修复或采取其他提高耐久性措施；c表示构件或结构耐久性严重损伤预警状态，应及时采取修复或采取其他提高耐久性措施；
3)检查属性决策表中有无相同的或者冲突的行，若有，分别进行合并或删除处理，检查完成后，生成耐久性损伤预警知识表达系统s；检查r＝{r1,r2,…,r9}中每一个属性ri是否为冗余属性，若：
4)计算核心属性集中每个属性的信息增益，具体方法是：
首先计算核心属性集中每个属性的信息量i＝-log2p，其中p表示构件损伤预警等级在预警对象中出现的概率，然后计算信息量的均值e(u)＝-palog2pa-pblog2pb-pclog2pc，其中pa，pb，pc表示构件耐久性损伤预警等级a，b，c在预警对象中出现的概率，再计算增加了构件耐久性损伤影响因子的信息后验熵
5)计算核心属性集中每个属性的信息增益率，选择最大信息增益率的属性作为最佳分组变量，具体方法是：
首先计算每个属性的信息熵
6)决策树生长；
7)从叶节点向上逐层剪枝，估计待剪节点的误差，具体方法是：
使用统计学中置信区间的估计方法，观察到的误差率
8)根据既有工业建筑结构中构件耐久性损伤预警等级决策树进行判定，当既有工业建筑结构中的构件耐久性损伤预警等级出现c等级时，为保障既有工业建筑结构的安全性，判定该既有工业建筑结构耐久性损伤预警等级为c，需要立即对结构中耐久性损伤处于c等级的构件进行修复或提高耐久性的措施；当结构中的构件耐久性损伤等级未出现c等级时，将耐久性损伤等级处于a的构件数与耐久性损伤等级处于b的构件数进行比较，若耐久性损伤等级处于a的构件数比耐久性损伤等级处于b的构件数多，判定该既有工业建筑结构耐久性损伤等级为a，反之为b。
对既有工业建筑结构耐久性的影响因子进行赋值和离散化处理如表1所示。
表1：既有工业建筑结构耐久性影响因子表
构造属性决策表，检查属性决策表中有无相同的或者冲突的行，若有，分别进行合并或删除处理，检查完成后，生成既有工业建筑结构耐久性损伤预警知识表达系统s；然后检查r＝{r1,r2,…,r9}中每一个属性ri是否为冗余属性，若
计算核心属性集中每个属性的信息增益。首先计算核心属性集中每个属性的信息量i＝-log2p，其中p表示构件损伤预警等级在预警对象中出现的概率，然后计算信息量的均值e(u)＝-palog2pa-pblog2pb-pclog2pc，其中pa，pb，pc表示构件耐久性损伤预警等级a，b，c在预警对象中出现的概率，再计算增加了构件耐久性损伤影响因子的信息后验熵
计算核心属性集中每个属性的信息增益率，选择最大信息增益率的属性作为最佳分组变量。首先计算每个属性的信息熵
决策树生长，之后从叶节点向上逐层剪枝，估计待剪节点的误差。使用统计学中置信区间的估计方法，观察到的误差率
根据既有工业建筑结构中构件耐久性损伤预警等级决策树的分类结果进行判定，当结构中的构件耐久性损伤等级出现c等级时，判定该既有工业建筑结构耐久性损伤等级为c，需要立即对结构中耐久性损伤处于c等级的构件进行修复或提高耐久性的措施；当结构中的构件耐久性损伤等级未出现c等级时，将耐久性损伤等级处于a的构件数与耐久性损伤等级处于b的构件数进行比较，若耐久性损伤等级处于a的构件数比耐久性损伤等级处于b的构件数多，判定该既有工业建筑结构耐久性损伤等级为a，反之为b。
具体应用实施例1：对武汉某钢厂进行结构耐久性损伤预警
选取了15个该钢厂关键构件作为样本，表2为武汉某钢厂结构耐久性监测数据。
表2：武汉某钢厂结构耐久性监测数据
构造属性决策表，其中条件属性集r＝{r1,r2,…,r9}，决策属性集为t＝{a,b,c}，预警对象集合为u＝{1,2,…,15}。将表2中监测数据转化为表1中对应的属性赋值。属性决策表见表3。
表3：属性决策表
检查属性决策表中有无相同的或者冲突的行，若有，分别进行合并或删除处理。表3中可以看出样本11和14中测量的数据和混凝土耐久性预警等级完全相同，进行合并。样本7和9条件属性相同而决策属性不同，将其删除。这样就生成了结构耐久性损伤预警知识表达系统s。
表4：结构耐久性损伤预警知识表达系统s
用属性r对样本集u进行划分，得到u/r，再用决策属性t对样本集u进行划分，得到u/t，然后依次去掉一个属性ri(i＝1,2,…,9)，重新对样本集u进行划分，以r1为例：
u/r＝{{1},{2},{3},{4},{5},{6},{7},{8},{9},{10},{11},{12}}；
u/t＝{{1,2,3,8},{4,5,7,9,10,11},{6,12}}；
posind(r)[ind(t)]＝{{1},{2},{3},{4},{5},{6},{7},{8},{9},{10},{11},{12}}；
由上述比较结果可知，删除属性r1可删除，以此类推，属性r2也为冗余属性，予以删除，属性r3、r4、r5、r6、r7、r8、r9不冗余，组成核心属性集p。建立该钢厂构件耐久性损伤预警决策树。选择准确率最高的规则集，生成构件耐久性损伤预警决策树如图2所示。图2中根节点表示等级a，b，c在15个预警对象中出现的概率分别为42.99％，35.22％，21.79％，首先通过信息增益率最大的属性裂缝宽度小于等于0.2mm和大于0.2mm将15个预警对象分为两类，其中一类有3个预警对象全部是c等级，另一类有12个预警对象其中6个预警对象是a等级，5个预警对象是b等级；对有12个预警对象的类进行再分类，按信息增益率最大的属性混凝土保护层厚度/设计值小于等于1.09和大于1.09进行分类，其中一类有4个预警对象全部是a等级，另一类有2个预警对象是a等级，5个预警对象是b等级；对有7个预警对象的类进行再分类，按信息增益率最大的属性碳化深度小于等于11.6和大于11.6进行分类，其中一类有5个预警对象全部是b等级，另一类有2个预警对象是a等级。综上可知，该钢厂结构耐久性损伤预警等级处于c级别，构件耐久性损伤预警决策树可以对所有预警对象做出准确率达到95.3％的预警。