網(wǎng)絡(luò)應(yīng)用1綜述

1、 作者簡(jiǎn)介：范穎芳（1972），女，博士生，主要從事受腐蝕鋼筋混凝土受力性能、安全性評(píng)價(jià)及維修加固方面的研究；Email: fanyf, 聯(lián)系電話：212。人工神經(jīng)網(wǎng)絡(luò)在受腐蝕鋼筋混凝土結(jié)構(gòu)工程中的應(yīng)用范穎芳 周晶（大連理工大學(xué)土建學(xué)院，大連，116024）摘要：介紹了人工神經(jīng)網(wǎng)絡(luò)在土木工程中的應(yīng)用現(xiàn)狀，闡述了人工神經(jīng)網(wǎng)絡(luò)在受腐蝕鋼筋混凝土結(jié)構(gòu)工程中的應(yīng)用；介紹了神經(jīng)網(wǎng)絡(luò)方法在銹蝕鋼筋與混凝土之間粘結(jié)特性及受腐蝕鋼筋混凝土構(gòu)件受力性能研究中新近取得的研究成果。研究表明，與傳統(tǒng)的回歸方法相比神經(jīng)網(wǎng)絡(luò)方法在解決多影響因子復(fù)雜非線性問(wèn)題方面具有顯著的優(yōu)勢(shì)，在受腐蝕鋼筋混凝

2、土結(jié)構(gòu)工程中具有廣闊的應(yīng)用前景。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)；鋼筋混凝土；結(jié)構(gòu)工程人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks, ANNs）是智能科學(xué)中的前沿?zé)狳c(diǎn)，是由大量的簡(jiǎn)單處理單元（神經(jīng)元）互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，是對(duì)大腦神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)化、抽象和模擬。由于神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式存儲(chǔ)和處理、自組織、自適應(yīng)和自學(xué)習(xí)能力，特別適用于處理需要同時(shí)考慮許多因素和條件的、不確定和模糊的信息處理問(wèn)題。近年來(lái)，對(duì)神經(jīng)網(wǎng)絡(luò)方面的研究受到愈來(lái)愈密切的關(guān)注，已在模式識(shí)別（目標(biāo)檢測(cè)與識(shí)別、指紋識(shí)別）、圖像處理、控制和優(yōu)化、地震風(fēng)險(xiǎn)預(yù)測(cè)、軍事、醫(yī)藥學(xué)、金融、石油工程、材料工程等諸多領(lǐng)域

3、中得到了成功的應(yīng)用。目前，土木建筑科研人員正逐漸將這種方法引入鋼筋混凝土結(jié)構(gòu)工程的研究中。1 人工神經(jīng)網(wǎng)絡(luò)在土木工程中的應(yīng)用現(xiàn)狀人工神經(jīng)網(wǎng)絡(luò)在土木工程中的應(yīng)用始于20世紀(jì)80年代后期，目前已廣泛地應(yīng)用于土木工程中的不同領(lǐng)域，如材料性能預(yù)測(cè)、損傷識(shí)別、結(jié)構(gòu)分析、優(yōu)化設(shè)計(jì)、結(jié)構(gòu)振動(dòng)控制、施工造價(jià)預(yù)測(cè)、施工管理等。本文主要闡述人工神經(jīng)網(wǎng)絡(luò)在鋼筋混凝土結(jié)構(gòu)工程中的應(yīng)用。1.1神經(jīng)網(wǎng)絡(luò)在材料性能研究中的應(yīng)用鋼筋混凝土材料性能是影響鋼筋混凝土構(gòu)件乃至整個(gè)結(jié)構(gòu)受力性能的主要因素，以往對(duì)鋼筋混凝土、環(huán)氧纖維復(fù)合材料等復(fù)合材料的研究是首先將材料模擬為連續(xù)的，而后考慮其間的相互作用。由于神經(jīng)網(wǎng)絡(luò)可以同時(shí)處理多個(gè)組

4、成成分與材料性能之間的關(guān)系，可將復(fù)合材料視為一種材料，在輸入層輸入影響材料特性的多種組成成分的信息，通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練建立多種組分與材料性能之間的模型。目前神經(jīng)網(wǎng)絡(luò)已逐漸在鋼筋、混凝土及鋼筋混凝土復(fù)合材料的研究中得到了廣泛的應(yīng)用。1.1.1利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)材料強(qiáng)度混凝土強(qiáng)度是受多方面因素（如：組成材料、養(yǎng)護(hù)條件、齡期等）綜合影響的性能指標(biāo)，隨著混凝土技術(shù)日新月異的發(fā)展，尤其是高強(qiáng)混凝土、高性能混凝土的誕生，影響混凝土強(qiáng)度的各因素與其強(qiáng)度之間的非線性關(guān)系更加明顯，傳統(tǒng)的回歸分析方法難以準(zhǔn)確反映這種復(fù)雜關(guān)系，這就為描述混凝土的材料特性帶來(lái)了困難。神經(jīng)網(wǎng)絡(luò)方法具有同時(shí)考慮多因子影響的優(yōu)勢(shì)，它的出現(xiàn)較

5、好地解決了影響因素眾多所帶來(lái)的建立模型的困難，克服了傳統(tǒng)預(yù)測(cè)方法至多只能考慮少數(shù)幾個(gè)因素的缺陷。通過(guò)分別考慮3個(gè)和7個(gè)影響因素建立BP網(wǎng)絡(luò)對(duì)水泥28d抗壓強(qiáng)度預(yù)測(cè)結(jié)果的比較，表明神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度將隨著所考慮影響因素的增多而提高，且其適用性及精度也不再像回歸分析方法那樣受到限制1。因此，不少研究人員利用大量的試驗(yàn)結(jié)果，建立不同的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型來(lái)預(yù)測(cè)混凝土強(qiáng)度25。研究結(jié)果一致表明，神經(jīng)網(wǎng)絡(luò)在混凝土強(qiáng)度預(yù)測(cè)方面較回歸分析的結(jié)果具有更高的精度和效率。另外，神經(jīng)網(wǎng)絡(luò)還可用于力學(xué)模型復(fù)雜但又需要利用有限元方法的反問(wèn)題分析中，如對(duì)混凝土材性參數(shù)的反演問(wèn)題，以結(jié)構(gòu)檢測(cè)得到的結(jié)構(gòu)響應(yīng)曲線為神經(jīng)網(wǎng)絡(luò)的輸入預(yù)測(cè)

6、混凝土參數(shù)6。1.1.2利用神經(jīng)網(wǎng)絡(luò)進(jìn)行混凝土配比的優(yōu)化設(shè)計(jì)對(duì)指定標(biāo)號(hào)的混凝土進(jìn)行配合比的設(shè)計(jì)一般基于經(jīng)驗(yàn)公式來(lái)實(shí)現(xiàn)，根據(jù)混凝土的實(shí)測(cè)強(qiáng)度及配合比資料，神經(jīng)網(wǎng)絡(luò)可以通過(guò)學(xué)習(xí)自動(dòng)建立其強(qiáng)度規(guī)律和對(duì)應(yīng)關(guān)系，從根本上克服了回歸分析事先給定數(shù)學(xué)形式，有可能丟失某些強(qiáng)度信息的缺點(diǎn)。另外，由于神經(jīng)網(wǎng)絡(luò)可以在輸入、輸出層設(shè)置多個(gè)神經(jīng)元，可將混凝土綜合性能的諸參量如強(qiáng)度、抗?jié)B性、抗凍性、和易性等多影響因子（如骨料級(jí)配、水灰比、添加劑、摻和料、施工工藝等）分別作為輸出和輸入，建立混凝土綜合性能與其影響因子間的神經(jīng)網(wǎng)絡(luò)模型，使神經(jīng)網(wǎng)絡(luò)用于混凝土設(shè)計(jì)的優(yōu)越性和效果將更為顯著。研究表明，利用神經(jīng)網(wǎng)絡(luò)對(duì)混凝土配比進(jìn)行優(yōu)

7、化設(shè)計(jì)取得了較好的結(jié)果710。1.1.3利用神經(jīng)網(wǎng)絡(luò)建立混凝土本構(gòu)模型混凝土的應(yīng)力-應(yīng)變?nèi)€形狀及其絕對(duì)值會(huì)受到使用材料、配合比和強(qiáng)度等級(jí)以及試驗(yàn)方法和量測(cè)技術(shù)等多種因素的影響?；炷猎诤?jiǎn)單應(yīng)力狀態(tài)下的本構(gòu)關(guān)系即單軸受拉和受壓時(shí)的應(yīng)力-應(yīng)變關(guān)系比較明確，可以相當(dāng)準(zhǔn)確地在相應(yīng)的試驗(yàn)中測(cè)定，并用合理的經(jīng)驗(yàn)回歸公式加以描述。然而，由于混凝土材性的離散、變形成分的多樣和影響因素眾多，應(yīng)力-應(yīng)變關(guān)系仍在一定范圍內(nèi)變動(dòng)。多軸應(yīng)力狀態(tài)下的本構(gòu)關(guān)系十分復(fù)雜，為了結(jié)構(gòu)設(shè)計(jì)計(jì)算和有限元分析中引入混凝土的多軸本構(gòu)關(guān)系，許多學(xué)者通過(guò)大量的試驗(yàn)和理論研究，提出了多種混凝土本構(gòu)模型（線彈性模型、非線性模型、塑性模型等）

8、。至今工程中應(yīng)用最廣泛的源自試驗(yàn)、計(jì)算精度有保證和使用方便的非線彈性本構(gòu)模型也主要是依據(jù)混凝土多軸試驗(yàn)數(shù)據(jù)和規(guī)律通過(guò)回歸分析得到的。Ghaboussi11在試驗(yàn)研究的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)分別建立了以應(yīng)力空間和應(yīng)變空間表示的混凝土雙軸應(yīng)力-應(yīng)變模型，在給定當(dāng)前應(yīng)力、應(yīng)變及應(yīng)力增量的情況下預(yù)測(cè)與應(yīng)力路徑有關(guān)的應(yīng)變?cè)隽?，網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與試驗(yàn)結(jié)果吻合較好，利用所建立的神經(jīng)網(wǎng)絡(luò)模型沿三種應(yīng)力路徑預(yù)測(cè)的應(yīng)力-應(yīng)變關(guān)系與以往建立的分析模型相比，具有更好的精度；而后選取應(yīng)力-應(yīng)變曲線中的三個(gè)點(diǎn)建立反復(fù)荷載下素混凝土單軸應(yīng)力-應(yīng)變的BP神經(jīng)網(wǎng)絡(luò)模型，得到了令人滿意的預(yù)測(cè)結(jié)果，但仍有待進(jìn)一步的研究。由上述研究可

9、以看出，利用人工神經(jīng)網(wǎng)絡(luò)建立應(yīng)力-應(yīng)變關(guān)系的一個(gè)主要優(yōu)點(diǎn)在于應(yīng)力空間的應(yīng)力-應(yīng)變關(guān)系和應(yīng)變空間的應(yīng)力-應(yīng)變關(guān)系同樣容易獲得，對(duì)一訓(xùn)練好的網(wǎng)絡(luò)可用于有限元程序代替目前形式復(fù)雜的本構(gòu)模型。研究表明，人工神經(jīng)網(wǎng)絡(luò)建立的材性模型不需要進(jìn)行任何假定，并可以綜合考慮多種影響因素，利用試驗(yàn)研究中獲得的大量試驗(yàn)資料訓(xùn)練網(wǎng)絡(luò)，利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行材料特性的預(yù)測(cè)和分析。顯然利用人工神經(jīng)網(wǎng)絡(luò)建立的材料本構(gòu)模型中材性的影響因素及其與結(jié)果的關(guān)系都是隱式的，而不能給出常規(guī)模型中那種顯式的數(shù)學(xué)表達(dá)式，B樣條聯(lián)想記憶網(wǎng)絡(luò)較好地解決了這一問(wèn)題12，隨著網(wǎng)絡(luò)內(nèi)部過(guò)程的進(jìn)一步研究，神經(jīng)網(wǎng)絡(luò)的這一缺陷將可以得到較好地改善，但對(duì)于有限

10、元分析來(lái)說(shuō)，這種模型的隱式性缺點(diǎn)并不影響計(jì)算。1.2利用神經(jīng)網(wǎng)絡(luò)方法研究鋼筋混凝土構(gòu)件受力性能鋼筋混凝土構(gòu)件的受力性能受多方面因素的影響，各種影響因素之間互相關(guān)聯(lián)，并且各影響因素與強(qiáng)度之間是一種復(fù)雜的非線性關(guān)系，計(jì)算相當(dāng)復(fù)雜，利用神經(jīng)網(wǎng)絡(luò)所特有的自適應(yīng)性、魯棒性等特性，在不須建立復(fù)雜的數(shù)學(xué)模型的情況下，建立神經(jīng)網(wǎng)絡(luò)模型通過(guò)對(duì)大量試驗(yàn)結(jié)果的訓(xùn)練、學(xué)習(xí)，預(yù)測(cè)構(gòu)件及結(jié)構(gòu)的強(qiáng)度，如鋼筋混凝土深梁的極限抗剪強(qiáng)度預(yù)測(cè)13，鋼筋混凝土構(gòu)件抗壓強(qiáng)度預(yù)測(cè)14，在不進(jìn)行任何假定（如材料特性的假定，桿件彈性或非彈性假定等）的前提下，細(xì)長(zhǎng)桿件的壓屈特性研究15等等。將神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果與以往的分析結(jié)果相比，神經(jīng)網(wǎng)絡(luò)

11、模型的預(yù)測(cè)結(jié)果與試驗(yàn)結(jié)果吻合更好同時(shí)計(jì)算效率也得到了明顯地改善。1.3 利用神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)分析和結(jié)構(gòu)優(yōu)化設(shè)計(jì)用于結(jié)構(gòu)設(shè)計(jì)中的結(jié)構(gòu)分析程序通常是很復(fù)雜的，為獲得最優(yōu)解需要利用分析程序和優(yōu)化程序進(jìn)行反復(fù)多次的迭代，往往由于計(jì)算時(shí)間問(wèn)題不能收斂于最優(yōu)解。陸金桂16在Kolmogorov多層神經(jīng)網(wǎng)絡(luò)映射存在定理基礎(chǔ)上，從理論上證明了一個(gè)三層神經(jīng)網(wǎng)絡(luò)可用來(lái)描述任一彈性結(jié)構(gòu)的應(yīng)力、位移等量和結(jié)構(gòu)設(shè)計(jì)變量之間的映射關(guān)系，通過(guò)計(jì)算機(jī)數(shù)值試驗(yàn)結(jié)果初步證實(shí)了基于神經(jīng)網(wǎng)絡(luò)技術(shù)的、具有全局性的結(jié)構(gòu)近似分析方法的有效性。與常規(guī)結(jié)構(gòu)分析消耗時(shí)間的相比，神經(jīng)網(wǎng)絡(luò)對(duì)結(jié)構(gòu)分析及結(jié)構(gòu)優(yōu)化設(shè)計(jì)具有省時(shí)的優(yōu)點(diǎn)，訓(xùn)練好的網(wǎng)絡(luò)可以用于

12、不同結(jié)構(gòu)的設(shè)計(jì)研究中17。Manevitz18利用自組織神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)有限元網(wǎng)格剖分，解決了傳統(tǒng)有限元網(wǎng)格剖分過(guò)程中的耗時(shí)問(wèn)題。目前不少研究人員將神經(jīng)網(wǎng)絡(luò)應(yīng)用于結(jié)構(gòu)分析中，如將神經(jīng)網(wǎng)絡(luò)運(yùn)用于傳統(tǒng)方法難以解決的模態(tài)識(shí)別問(wèn)題，混凝土簡(jiǎn)支梁設(shè)計(jì)，簡(jiǎn)支板的受力情況分析，板中最大彎矩值及其出現(xiàn)的位置的預(yù)測(cè)19；不同邊界條件下雙向受彎預(yù)制砌塊墻板的分析20；半-剛性節(jié)點(diǎn)的鋼框架結(jié)構(gòu)彈塑性分析的兩階段神經(jīng)網(wǎng)絡(luò)方法21；桁架結(jié)構(gòu)的優(yōu)化設(shè)計(jì)2223等。研究表明，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分析結(jié)果不僅能夠達(dá)到有限元分析的精度，且計(jì)算時(shí)間大大縮短，可以應(yīng)用于結(jié)構(gòu)設(shè)計(jì)。1.4 利用神經(jīng)網(wǎng)絡(luò)進(jìn)行混凝土結(jié)構(gòu)損傷識(shí)別鋼筋混凝土結(jié)構(gòu)在服役期

13、間由于受到各種作用，造成結(jié)構(gòu)力學(xué)性能的劣化。傳統(tǒng)的結(jié)構(gòu)檢測(cè)和損傷評(píng)估是通過(guò)大量的觀測(cè)和現(xiàn)場(chǎng)試驗(yàn)進(jìn)行的，神經(jīng)網(wǎng)絡(luò)的出現(xiàn)為結(jié)構(gòu)的損傷識(shí)別提供了一種簡(jiǎn)便可行的新方法。通過(guò)應(yīng)變測(cè)定、數(shù)值計(jì)算得到的結(jié)構(gòu)譜加速度、構(gòu)件剛度的變化，建立神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)結(jié)構(gòu)的損傷探測(cè)2427。1.5 人工神經(jīng)網(wǎng)絡(luò)存在的缺陷目前，人工神經(jīng)網(wǎng)絡(luò)由于其獨(dú)具的特性在土木建筑的各個(gè)領(lǐng)域得到了廣泛的應(yīng)用，但是在應(yīng)用過(guò)程中也顯示出該方法的局限性。應(yīng)用最多的BP神經(jīng)網(wǎng)絡(luò)在解決復(fù)雜非線性體系問(wèn)題和高度非線性映射問(wèn)題時(shí)，網(wǎng)絡(luò)學(xué)習(xí)速度慢、泛化能力低，出現(xiàn)局部極小值。為改進(jìn)網(wǎng)絡(luò)的效率和精度，不少研究人員對(duì)BP算法本身及網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)進(jìn)行了一定的改進(jìn)

14、，取得了良好的效果，但仍需進(jìn)一步的研究。另一方面，神經(jīng)網(wǎng)絡(luò)研究問(wèn)題是以一定數(shù)量的試驗(yàn)資料為基礎(chǔ)的，當(dāng)試驗(yàn)資料缺乏時(shí)將使神經(jīng)網(wǎng)絡(luò)難以實(shí)現(xiàn)。相信隨著神經(jīng)網(wǎng)絡(luò)的進(jìn)一步研究，以及更多相應(yīng)試驗(yàn)數(shù)據(jù)的獲得，神經(jīng)網(wǎng)絡(luò)在鋼筋混凝土結(jié)構(gòu)的應(yīng)用也將愈加廣泛。2 人工神經(jīng)網(wǎng)絡(luò)在受腐蝕鋼筋混凝土結(jié)構(gòu)研究方面的應(yīng)用鋼筋混凝土結(jié)構(gòu)是目前世界上使用最為普遍，應(yīng)用范圍最廣的結(jié)構(gòu)形式。橋梁、停車庫(kù)、沿海建筑和受氯化物侵蝕的混凝土結(jié)構(gòu)物等諸多鋼筋混凝土結(jié)構(gòu)物由于腐蝕作用在使用僅1015年便提前發(fā)生失效破壞。目前，腐蝕作用引起鋼筋混凝土結(jié)構(gòu)的過(guò)早破壞已成為世界各國(guó)普遍關(guān)注的一大災(zāi)害，許多結(jié)構(gòu)由于腐蝕破壞不得不停止使用進(jìn)行大修或拆除

15、重建，經(jīng)濟(jì)壓力不堪重負(fù)。受腐蝕鋼筋混凝土結(jié)構(gòu)的安全性評(píng)估及維修加固已成為國(guó)內(nèi)外亟待解決的難題。銹蝕鋼筋及受腐蝕混凝土力學(xué)性能，銹蝕鋼筋與混凝土之間粘結(jié)本構(gòu)關(guān)系，受腐蝕鋼筋混凝土構(gòu)件的受力性能是影響受腐蝕鋼筋混凝土結(jié)構(gòu)安全性的主要因素。長(zhǎng)期以來(lái)，國(guó)內(nèi)外進(jìn)行了對(duì)銹蝕鋼筋、受腐蝕混凝土、銹蝕鋼筋與混凝土之間粘結(jié)性能、受腐蝕鋼筋混凝土構(gòu)件受力性能進(jìn)行了廣泛的試驗(yàn)研究，積累了大量的試驗(yàn)資料。但由于影響因素眾多，并且腐蝕作用往往伴隨著嚴(yán)重的隨機(jī)性和不確定性，造成構(gòu)件受腐蝕程度難以定量描述，銹蝕鋼筋本構(gòu)模型、受損傷混凝土本構(gòu)模型及銹蝕鋼筋與混凝土之間粘結(jié)本構(gòu)模型的難以確定，從而導(dǎo)致受腐蝕鋼筋混凝土構(gòu)件非線性

16、有限元分析的難以實(shí)現(xiàn)，至今仍無(wú)法建立令人滿意的計(jì)算方法，這就為準(zhǔn)確評(píng)價(jià)受腐蝕鋼筋混凝土構(gòu)件及結(jié)構(gòu)的安全性帶來(lái)了不便?；谏窠?jīng)網(wǎng)絡(luò)自身具有的處理多因素復(fù)雜非線性問(wèn)題方面的優(yōu)越性，近年來(lái)，國(guó)內(nèi)外不少研究人員正逐漸將神經(jīng)網(wǎng)絡(luò)方法引入腐蝕研究、腐蝕量預(yù)測(cè)等方面的研究中，取得了良好的效果。2.1 神經(jīng)網(wǎng)絡(luò)在受腐蝕鋼筋混凝土結(jié)構(gòu)研究中的應(yīng)用現(xiàn)狀2.1.1神經(jīng)網(wǎng)絡(luò)在腐蝕作用研究中的應(yīng)用腐蝕作用如同作用于結(jié)構(gòu)上的其他作用（荷載、地震作用等）一樣，將導(dǎo)致鋼筋、混凝土材性的退化，降低鋼筋混凝土構(gòu)件及結(jié)構(gòu)的耐久性，造成大量經(jīng)濟(jì)損失。腐蝕作用是一個(gè)受到多種因素（如環(huán)境條件、腐蝕介質(zhì)、腐蝕時(shí)間等）影響的不確定量，且各個(gè)

17、影響因素之間相互作用，利用傳統(tǒng)的回歸方法很難建立腐蝕速度與各種因素之間復(fù)雜的模型28。迄今為止，不少研究人員在大量試驗(yàn)研究基礎(chǔ)上，建立神經(jīng)網(wǎng)絡(luò)模型取代傳統(tǒng)統(tǒng)計(jì)回歸分析方法，研究不同腐蝕環(huán)境下金屬材料的腐蝕特性2933；材料的腐蝕疲勞特性預(yù)測(cè)3435；腐蝕類型（開(kāi)裂、點(diǎn)蝕、全面腐蝕）的預(yù)測(cè)36；點(diǎn)蝕坑數(shù)量和深度預(yù)測(cè)37等。研究表明，神經(jīng)網(wǎng)絡(luò)方法在腐蝕研究方面較回歸分析方法更加有效，網(wǎng)絡(luò)的預(yù)測(cè)值與實(shí)測(cè)值之間的均方差明顯減小，預(yù)測(cè)結(jié)果相關(guān)系數(shù)增大。2.1.2利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)氯離子在混凝土中的滲透量氯離子具有極強(qiáng)的穿透能力，它可以通過(guò)混凝土毛細(xì)孔滲入混凝土內(nèi)部，一旦混凝土內(nèi)部氯離子含量超過(guò)了門檻值，就

18、會(huì)破壞鋼筋表面的鈍化膜，使埋設(shè)于構(gòu)件中的鋼筋發(fā)生銹蝕。研究表明，氯離子腐蝕是導(dǎo)致鋼筋混凝土構(gòu)件中鋼筋銹蝕，構(gòu)件及結(jié)構(gòu)力學(xué)性能退化的主要原因。顯然，氯離子對(duì)結(jié)構(gòu)的損傷程度與構(gòu)件中氯離子的滲透量有關(guān)。目前國(guó)內(nèi)外普遍認(rèn)為氯離子在混凝土中的擴(kuò)散服從Fick第二定律，建立數(shù)值擴(kuò)散模型3738， （1）式中，為混凝土中氯離子的濃度；為混凝土在侵蝕環(huán)境中所處的時(shí)間；為混凝土內(nèi)距混凝土表面的距離；為氯離子的擴(kuò)散系數(shù)。在初始條件和邊界條件確定的情況下，其解為， (2)因此，在已知混凝土保護(hù)層厚度、氯離子在混凝土表面的濃度及鋼筋鈍化膜允許的臨界濃度情況下，可以計(jì)算出氯離子侵蝕到鋼筋鈍化膜并達(dá)到限定濃度所需的時(shí)間。

19、從理論模型上比較簡(jiǎn)單，但由于混凝土的不均勻性及其受到多種因素的影響等原因，在實(shí)際應(yīng)用中仍存在不少困難?；诖罅康脑囼?yàn)結(jié)果，神經(jīng)網(wǎng)絡(luò)方法在混凝土中氯離子分布預(yù)測(cè)中簡(jiǎn)便實(shí)用，取得了令人滿意的預(yù)測(cè)結(jié)果3940。2.1.3神經(jīng)網(wǎng)絡(luò)在受腐蝕混凝土強(qiáng)度預(yù)測(cè)中的應(yīng)用（1）混凝土碳化研究混凝土碳化是影響混凝土強(qiáng)度的一個(gè)重要因素，目前對(duì)混凝土碳化深度預(yù)測(cè)、碳化混凝土力學(xué)性能等方面都進(jìn)行了研究，國(guó)內(nèi)外普遍采用混凝土的平均碳化深度作為描述混凝土碳化損傷程度的變量，在非侵蝕性介質(zhì)的正常的大氣條件下，混凝土碳化的計(jì)算模型為： （3）式中，為時(shí)刻時(shí)的碳化深度；為碳化速度系數(shù)，一般由回歸分析確定。由于混凝土碳化過(guò)程伴隨著許

20、多不定性，使得描述混凝土碳化規(guī)律的表達(dá)方式也具有不定性，這些不定性主要來(lái)源于測(cè)量數(shù)據(jù)的隨機(jī)性、系統(tǒng)誤差以及某些不能確知的不定性，由于試驗(yàn)觀測(cè)數(shù)據(jù)的離散性較大，加之影響因素很多，采用一般的統(tǒng)計(jì)方法往往造成統(tǒng)計(jì)分析結(jié)果不理想。由于碳化后混凝土力學(xué)性能與碳化深度之間的關(guān)系很難建立簡(jiǎn)單的數(shù)學(xué)模型來(lái)模擬，一些學(xué)者在已經(jīng)獲得的大量實(shí)測(cè)試驗(yàn)資料的基礎(chǔ)上，在考慮多因素和單因素影響的情況下建立不同的神經(jīng)網(wǎng)絡(luò)模型對(duì)混凝土碳化分析和預(yù)測(cè)，網(wǎng)絡(luò)預(yù)測(cè)值與試驗(yàn)值吻合較好4042。（2）受損傷混凝土強(qiáng)度預(yù)測(cè)受損傷混凝土力學(xué)性能的影響因素眾多，描述損傷混凝土本構(gòu)模型更加困難，損傷力學(xué)從細(xì)觀角度研究受損傷混凝土的力學(xué)性能，建立

21、了一些損傷模型，如Mazas損傷模型、Loland損傷模型、分段線性損傷模型等43。但損傷力學(xué)是一門十分不完善的學(xué)科，正處于發(fā)展階段。近來(lái)，一些研究人員將神經(jīng)網(wǎng)絡(luò)引入受損傷混凝土本構(gòu)關(guān)系的研究中，基于大量的試驗(yàn)研究結(jié)果，在不進(jìn)行任何假定的前提下以影響受損傷混凝土力學(xué)性能的諸多因素為輸入，建立神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)損傷混凝土的強(qiáng)度及損傷混凝土的本構(gòu)關(guān)系與影響因素集之間的非線性關(guān)系，取得了較好的預(yù)測(cè)結(jié)果4445。2.1.4神經(jīng)網(wǎng)絡(luò)在既有鋼筋混凝土結(jié)構(gòu)安全性評(píng)價(jià)及壽命預(yù)測(cè)中的應(yīng)用鋼筋混凝土結(jié)構(gòu)的壽命受到諸多因素的影響，由于受到荷載作用、腐蝕作用、碳化作用、地震作用、使用功能的變化等多種作用都將導(dǎo)致鋼筋混凝

22、土結(jié)構(gòu)承載力的下降，使結(jié)構(gòu)在遠(yuǎn)未達(dá)到設(shè)計(jì)基準(zhǔn)期時(shí)提早發(fā)生失效，如何準(zhǔn)確評(píng)定老化鋼筋混凝土結(jié)構(gòu)的安全性及剩余壽命是亟待解決的問(wèn)題。基于大量的試驗(yàn)研究，Buenfeld46通過(guò)神經(jīng)網(wǎng)絡(luò)模型對(duì)氯離子在鋼筋混凝土結(jié)構(gòu)中的分布、混凝土的碳化深度、鋼筋混凝土結(jié)構(gòu)的設(shè)計(jì)及鋼筋銹蝕的鋼筋混凝土結(jié)構(gòu)的剩余壽命進(jìn)行了預(yù)測(cè)。Stephens47以結(jié)構(gòu)的三個(gè)損傷指標(biāo)（最大位移、剛度退化和能量消散）作為地震作用下結(jié)構(gòu)的響應(yīng)，建立神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)震損結(jié)構(gòu)的安全性等級(jí)（安全、略微損傷、損傷、嚴(yán)重?fù)p傷），結(jié)果表明神經(jīng)網(wǎng)絡(luò)方法比線性回歸方法更加有效，最佳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的最小平均誤差較多層回歸方法得到的平均絕對(duì)誤差小24%；并可在

23、地震發(fā)生后較短的時(shí)間內(nèi)，將地震過(guò)程中記錄的數(shù)據(jù)傳輸?shù)浇ㄖ锟刂浦行?，?jīng)過(guò)數(shù)據(jù)的處理得到損傷指標(biāo)，將這些指標(biāo)輸入神經(jīng)網(wǎng)絡(luò)模型即可給出結(jié)構(gòu)的安全性評(píng)價(jià)。綜上所述，人工神經(jīng)網(wǎng)絡(luò)為受腐蝕鋼筋混凝土材料性能研究、構(gòu)件及結(jié)構(gòu)的承載力研究、安全性評(píng)價(jià)和剩余壽命預(yù)測(cè)方面的研究提供了一種實(shí)用的途徑，并在該領(lǐng)域具有廣闊的應(yīng)用前景。2.2 本文得到的研究結(jié)果2.2.1利用神經(jīng)網(wǎng)絡(luò)研究銹蝕鋼筋與混凝土粘結(jié)性能粘結(jié)性能的退化是導(dǎo)致受腐蝕鋼筋混凝土構(gòu)件承載力降低的一個(gè)原因，目前有關(guān)粘結(jié)強(qiáng)度的研究仍處于試驗(yàn)研究階段，由于影響因素眾多，很難建立能夠廣泛使用的計(jì)算模型，但在受腐蝕鋼筋混凝土構(gòu)件非線性有限元分析中引入粘結(jié)模型是很

24、必要的?？紤]到神經(jīng)網(wǎng)絡(luò)方法在處理多因素問(wèn)題方面的優(yōu)越性，作者48利用文獻(xiàn)49中的試驗(yàn)結(jié)果，考慮混凝土保護(hù)層厚度、混凝土強(qiáng)度、鋼筋直徑、鋼筋銹蝕率、鋼筋類型等因素對(duì)鋼筋混凝土之間粘結(jié)力的影響，建立三層BP神經(jīng)網(wǎng)絡(luò)（圖2）預(yù)測(cè)受腐蝕鋼筋混凝土的極限粘結(jié)力，取得了令人滿意的預(yù)測(cè)結(jié)果（預(yù)測(cè)誤差不超過(guò)25%）。隨著試驗(yàn)資料的進(jìn)一步積累，可以考慮盡量多影響因素的綜合作用，使網(wǎng)絡(luò)預(yù)測(cè)結(jié)果更好地與試驗(yàn)結(jié)果吻合。輸出層隱層輸入層圖1三層BP神經(jīng)網(wǎng)絡(luò)模型Fig.1 BP Neural Network Model2.2.2利用神經(jīng)網(wǎng)絡(luò)進(jìn)行受腐蝕鋼筋混凝土梁抗彎性能研究大量試驗(yàn)研究資料表明5053，鋼筋銹蝕、混凝土的

25、劣化及鋼筋與混凝土粘結(jié)性能的退化都將導(dǎo)致受腐蝕鋼筋混凝土構(gòu)件受力性能的降低，構(gòu)件在尚未達(dá)到設(shè)計(jì)使用年限時(shí)發(fā)生無(wú)明顯征兆的脆性破壞，造成人員傷亡和經(jīng)濟(jì)損失。國(guó)內(nèi)外開(kāi)展了大量受腐蝕鋼筋混凝土構(gòu)件受力性能的試驗(yàn)研究，積累了大量實(shí)驗(yàn)室加速腐蝕構(gòu)件的試驗(yàn)資料，但由于影響鋼筋、混凝土材性、鋼筋與混凝土之間粘結(jié)性能、受腐蝕鋼筋混凝土構(gòu)件力學(xué)性能、構(gòu)件及結(jié)構(gòu)安全性的因素眾多（如，腐蝕介質(zhì)的種類，腐蝕作用時(shí)間，鋼筋銹蝕率），各影響因素之間相互作用，并伴隨著隨機(jī)性和不確定性，因此利用傳統(tǒng)回歸分析方法建立一定的計(jì)算模型仍十分困難。人工神經(jīng)網(wǎng)絡(luò)方法為受腐蝕鋼筋混凝土構(gòu)件的受力性能研究開(kāi)辟一種新思路和新方法，通過(guò)建立三

26、層BP神經(jīng)網(wǎng)絡(luò)（如圖1所示），以影響受腐蝕鋼筋混凝土構(gòu)件的各因素作為輸入變量，預(yù)測(cè)構(gòu)件腐蝕后的承載力及破壞形態(tài)。通過(guò)權(quán)值和閥值的不斷調(diào)整，訓(xùn)練所建立的網(wǎng)絡(luò)模型，再利用測(cè)試樣本檢測(cè)已訓(xùn)練好網(wǎng)絡(luò)的學(xué)習(xí)能力。這樣，利用這一訓(xùn)練好的網(wǎng)絡(luò)，通過(guò)影響某受腐蝕鋼筋混凝土構(gòu)件承載性能的特性參數(shù)的輸入，可以快速準(zhǔn)確地預(yù)測(cè)其承載力。利用文獻(xiàn)5154中對(duì)受腐蝕鋼筋混凝土梁的靜力及循環(huán)往復(fù)荷載作用下的試驗(yàn)研究結(jié)果，作者55建立了BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)受腐蝕鋼筋混凝土梁的極限承載力（網(wǎng)絡(luò)預(yù)測(cè)誤差、文獻(xiàn)中計(jì)算誤差一并列于表1）；研究中還發(fā)現(xiàn)，所建立的神經(jīng)網(wǎng)絡(luò)模型具有動(dòng)態(tài)性，即隨著試驗(yàn)資料的逐步增多，網(wǎng)絡(luò)的預(yù)測(cè)功能可以得到進(jìn)

27、一步的改善。表1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與文獻(xiàn)中計(jì)算結(jié)果的比較Table 1. Comparison of predicted results and calculated results listed in literature文獻(xiàn)51文獻(xiàn)52 文獻(xiàn)53 文獻(xiàn)54 屈服強(qiáng)度極限強(qiáng)度極限承載力極限承載力極限承載力訓(xùn)練樣本數(shù)/測(cè)試樣本數(shù)24/624/629/58/320/5預(yù)測(cè)誤差*/ %06018.13014.03014.5203.9224預(yù)測(cè)誤差*/文獻(xiàn)中計(jì)算誤差*00.18200.43400.61700.471-*注：計(jì)算誤差= |極限承載力計(jì)算值-試驗(yàn)值|/試驗(yàn)值×100% 預(yù)測(cè)誤差

28、= |極限承載力預(yù)測(cè)值-試驗(yàn)值|/試驗(yàn)值×100%由表1可以看出，網(wǎng)絡(luò)預(yù)測(cè)結(jié)果較文獻(xiàn)中給出的計(jì)算結(jié)果與實(shí)驗(yàn)值吻合更好，預(yù)測(cè)精度較文獻(xiàn)中給出的理論計(jì)算結(jié)果得到了明顯的改善。2.3 神經(jīng)網(wǎng)絡(luò)在受腐蝕鋼筋混凝土結(jié)構(gòu)研究中的應(yīng)用展望2.3.1利用神經(jīng)網(wǎng)絡(luò)研究銹蝕鋼筋力學(xué)性能大量的工程調(diào)查和試驗(yàn)研究結(jié)果表明，混凝土保護(hù)層銹蝕裂縫寬度與鋼筋銹蝕程度之間具有較好的相關(guān)性55，陳海斌等在分析銹蝕開(kāi)裂后影響鋼筋銹蝕量的主要因素基礎(chǔ)上，建立了評(píng)估鋼筋銹蝕量的人工神經(jīng)網(wǎng)絡(luò)模型，并通過(guò)實(shí)際工程檢測(cè)驗(yàn)證了該方法的可行性56。鋼筋銹蝕將嚴(yán)重影響鋼筋的受力性能，大量試驗(yàn)研究表明，銹蝕鋼筋的力學(xué)性能較銹蝕前的變化主

29、要體現(xiàn)在屈服強(qiáng)度、極限強(qiáng)度、極限延伸率和粘結(jié)強(qiáng)度等方面，隨著銹蝕率的增加，銹蝕的不均勻性和離散性增大，鋼筋頸縮趨于不明顯，應(yīng)力-應(yīng)變曲線屈服平臺(tái)逐漸縮短，屈服強(qiáng)度和極限強(qiáng)度降低，極限延伸率減小。通過(guò)大量銹蝕鋼筋的抗拉試驗(yàn)研究，利用回歸分析方法，考慮銹蝕后鋼筋重量損失率對(duì)銹蝕鋼筋力學(xué)性能的影響，建立了銹蝕鋼筋屈服強(qiáng)度、抗拉強(qiáng)度及延伸率計(jì)算模型57。然而，銹蝕鋼筋的力學(xué)性能不僅與鋼筋重量損失率有關(guān)，還與鋼筋表面銹蝕坑的分布及深度有關(guān)。腐蝕作用最初是由點(diǎn)蝕逐步發(fā)展的，點(diǎn)蝕坑的存在將引起銹蝕鋼筋中銹蝕坑產(chǎn)生的缺口效應(yīng)和應(yīng)力集中現(xiàn)象，將引起影響銹蝕鋼筋力學(xué)性能指標(biāo)的變化，但目前研究中基本沒(méi)有考慮這種應(yīng)力

30、集中造成銹蝕鋼筋力學(xué)性能的降低。鑒于大量的試驗(yàn)研究結(jié)果，在這些數(shù)據(jù)資料的基礎(chǔ)上，利用人工神經(jīng)網(wǎng)絡(luò)建立銹蝕鋼筋力學(xué)性能影響因素（如鋼筋銹蝕率，鋼筋類型，表面蝕坑的深度及分布等）與其力學(xué)性能綜合指標(biāo)（抗拉強(qiáng)度，延伸率等）之間的映射關(guān)系，將更加真實(shí)方便地預(yù)測(cè)銹蝕鋼筋的力學(xué)性能。至今國(guó)內(nèi)外較少開(kāi)展此方面的研究，有待進(jìn)一步的發(fā)展。2.3.2利用神經(jīng)網(wǎng)絡(luò)方法研究受腐蝕鋼筋混凝土構(gòu)件受力性能（1）基于神經(jīng)網(wǎng)絡(luò)方法的受腐蝕鋼筋混凝土構(gòu)件模擬試驗(yàn)研究國(guó)內(nèi)外進(jìn)行的試驗(yàn)研究多是基于實(shí)驗(yàn)室加速腐蝕的鋼筋混凝土構(gòu)件，由于種種客觀條件的限制，進(jìn)行真實(shí)腐蝕試件的試驗(yàn)較少開(kāi)展。研究表明58，利用神經(jīng)網(wǎng)絡(luò)方法模擬試驗(yàn)的模擬結(jié)果

31、經(jīng)試驗(yàn)檢驗(yàn)效果良好，從而證明神經(jīng)網(wǎng)絡(luò)模擬實(shí)驗(yàn)代替部分真實(shí)試驗(yàn)是可行的。因此可在少量實(shí)際腐蝕試件試驗(yàn)研究的基礎(chǔ)上，利用神經(jīng)網(wǎng)絡(luò)對(duì)所獲試驗(yàn)結(jié)果的學(xué)習(xí)來(lái)模擬實(shí)際環(huán)境中試件的試驗(yàn)研究，從而減少真實(shí)試驗(yàn)的數(shù)量。將真實(shí)試驗(yàn)與神經(jīng)網(wǎng)絡(luò)模擬試驗(yàn)結(jié)合為一有機(jī)體系，以真實(shí)試驗(yàn)作為模擬試驗(yàn)的基礎(chǔ)，模擬試驗(yàn)又是真實(shí)試驗(yàn)的發(fā)展，模擬試驗(yàn)接受真實(shí)試驗(yàn)的檢驗(yàn)而得到不斷完善。這樣將為實(shí)際構(gòu)件試驗(yàn)難以實(shí)現(xiàn)這一難題提供一種可行的解決途徑。（2）基于神經(jīng)網(wǎng)絡(luò)方法的受腐蝕鋼筋混凝土構(gòu)件動(dòng)力特性研究鋼筋混凝土構(gòu)件的動(dòng)力特性受到多種因素影響，動(dòng)力特性的研究較靜態(tài)性能研究更加復(fù)雜，很難建立簡(jiǎn)單的數(shù)學(xué)模型來(lái)表達(dá)。腐蝕后鋼筋混凝土構(gòu)件的力學(xué)性

32、能的變化將直接影響結(jié)構(gòu)的抗震性能，但是由于受腐蝕鋼筋混凝土構(gòu)件的動(dòng)力特性影響因素更多，問(wèn)題更加復(fù)雜，目前很少有此方面的研究。如果把受腐蝕鋼筋混凝土構(gòu)件動(dòng)力特性計(jì)算問(wèn)題可以看作是動(dòng)力特性影響因素到構(gòu)件動(dòng)態(tài)特性的映射，根據(jù)試驗(yàn)研究結(jié)果建立它們之間的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練與測(cè)試，將為此類問(wèn)題的解決提供一個(gè)新思路和新方法。3 結(jié)語(yǔ)本文系統(tǒng)地總結(jié)了神經(jīng)網(wǎng)絡(luò)技術(shù)在土木工程及受腐蝕鋼筋混凝土結(jié)構(gòu)工程中的應(yīng)用現(xiàn)狀。結(jié)合本人利用神經(jīng)網(wǎng)絡(luò)方法在受腐蝕鋼筋與混凝土粘結(jié)性能及受腐蝕構(gòu)件承載力研究中得到的研究成果，指出神經(jīng)網(wǎng)絡(luò)模型的建立將為受腐蝕鋼筋混凝土構(gòu)件的研究開(kāi)辟一條嶄新的途徑，它可使長(zhǎng)期以來(lái)國(guó)內(nèi)外

33、積累的大量試驗(yàn)研究資料得到充分的利用。通過(guò)本文的研究表明，隨著試驗(yàn)研究的進(jìn)一步開(kāi)展，神經(jīng)網(wǎng)絡(luò)方法在銹蝕鋼筋力學(xué)性能、受損傷混凝土本構(gòu)、受腐蝕鋼筋混凝土構(gòu)件受力性能及受腐蝕鋼筋混凝土構(gòu)件及結(jié)構(gòu)的安全性研究等方面將有廣闊的應(yīng)用前景，有待進(jìn)一步深入的研究。State-of-The-Art on Application of Artificial Neural Networks in Corroded Reinforced Concrete Structural EngineeringFanYing-fang ZhouJing( School of Civil Engineering & Ar

34、chitecture , Dalian Univ. of Technol., Liaoning Dalian 116024 )Abstract: Application of Artificial Neural Networks (ANNs) in civil engineering was introduced in this paper. The approach about using artificial neural networks in corroded R.C. structural engineering was discussed. Then, recent researc

35、h results, which focus on the application of ANNs in the study of bond strength between rusty rebar and concrete and the ultimate strength of corroded R.C. beams, were reported. It is shown that ANNs has remarkable advantages than the conventional regression method in the field of solving the comple

36、x multi-factor nonlinear problems. With the development of this technology, ANNs is promising in the research on corroded R.C. structural engineering.Key Words: artificial neural networks; prediction; reinforced concrete; structural engineering參考文獻(xiàn)1 王繼宗，倪宏光基于BP神經(jīng)網(wǎng)絡(luò)的水泥抗壓強(qiáng)度預(yù)測(cè)研究J硅酸鹽學(xué)報(bào), 1999, 27 (4): 40

37、8414.2 Yeh IC. Modeling concrete strength with augment-neuron networks J. Journal of Material in Civil Engineering, 1998, 10 (4): 263268.3 Ni HG, Wang JZ. Prediction of compressive strength of concrete by neural networks J. Cement and Concrete Research, 2000, 30: 12451250.4 楊朝暉，劉浩吾，陸金池混凝土強(qiáng)度預(yù)測(cè)與設(shè)計(jì)的神經(jīng)網(wǎng)

38、絡(luò)方法J水力發(fā)電學(xué)報(bào), 1997, 56(1): 3340.5 Yeh IC. Modeling of strength of high-performance concrete using artificial neural networks J. Cement and Concrete Research, 1998, 28 (12): 17971808.6 Kasperkiewicz J, Racz J, Dubrawsk A. HPC strength prediction using artificial neural network J. Journal of Computing i

39、n Civil Engineering, 1995, 19 (4): 279284.7 P. Konderla, T. Mokanek. Comparison of methods for the analysis of composite material J. Journal of Materials Processing Technology, 2000, 106: 8793.8 Yeh IC. Design of high-performance concrete mixture using neural networks and nonlinear programming J. Jo

40、urnal of Computing in Civil Engineering, 1999, 13(1): 3642.9 Fairbairn EMR, Ebecken NFF et al. Determination of probabilistic parameter of concrete: solving the inverse problem by using artificial neural networks J. Computers & Structures, 2000, 78: 497503.10 Wang JZ, Ni HG, He JY. The applicati

41、on of automation acquisition of knowledge to mix design of concrete J. Cement and Concrete Research., 1999, 29: 18751880.11 Ghaboussi J, Garrett JH, Wu X. Knowledge-Based modelling of material behavior with neural networks J. Journal of Engineering Mechanics, 1991, 117 (1): 132152.12 Maier HR, Sayed

42、 T, Lence BJ. Forecasting cyanobacterial concentrations using B-Spline networks J. Journal of Computing in Civil Engineering, 2000, 14 (3): 183189.13 Goh AT. Prediction of ultimate shear strength of deep beams using neural networks J. ACI Struct. J., 1995, 92 (1): 2832.14 孫名松，宿延吉人工神經(jīng)網(wǎng)絡(luò)在鋼筋混凝土試驗(yàn)研究中的應(yīng)用

43、J哈爾濱電工學(xué)院學(xué)報(bào), 1995, 18(1) :6771.15 Mukherjee A, Deshpande JM, Anmala J. Prediction of bulking load of column using artificial neural networks J. Journal of Structural Engineering, 1996, 122 (11): 13851387.16 陸金桂，余俊等基于人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)近似分析方法的研究J中國(guó)科學(xué)（A輯）, 1994, 24 (6):653658.17 Rogers JL. Simulating structural

44、analysis with neural network J. Journal of Computing in Civil Engineering, 1994, 8 (2): 252265.18 Manevitz L, Youset M. Finite-Element Mesh Generation Using Self-Organization Neural Networks J. Microcomputers in Civil Engineering, 1997, 12: 233251.19 VanLuchene RD, Roufei S. Neural networks in struc

45、tural engineering J. Microcomp. in Civ. Engrg., 1990, 5: 207215.20 Mathew A, Kumar B, Sinha BP, Pedreschi RF. Analysis of masonry panel under biaxial bending using ANNs and CRB J. J. of Computing in Civ. Engrg., 1999, 13 (3): 170177.21 Stavroulakis GE, Avdelas AV, Abdalla KM, Panagiotopoulos PD. A n

46、eural network approach to the modelling, calculation and identification of semi-rigid connections in steel structures J. J.Construct.Steel Res, 1997, 44 (1-2): 91105.22 Berke L, Hajela P. Application of neural nets in structural optimization J. NATO/AGARD Advanced Study Institute, Berschtesgaden,Ger

47、many,1991, 23(1-2): 731745.23 Kang HT, Yoon CJ. Neural network approaches to aid simple truss design problems J. Microcomputers in Civil Engineering, 1994, 9: 211218.24 Elkordy MF, Chang KC, Lee GC. A structural damage neural network monitoring system J. Microcomputers in Civil Engineering, 1994, 9:

48、 8396.25 Wu X, Ghaboussi J, Garrett JH. Use of neural networks in detection of structural damage J. Comput. Struct., 1992, 42 (4): 649659.26 Szewczyk ZP, Hajela P. Damage Detection in Structures Based on Feature-Sensitive Neural Networks J. Journal of Computing in Civil Engineering, 1994, 8(2): 1631

49、78.27 Seo DC, Lee JJ. Damage detection of CFRP laminate using electrical resistance measurement and neural network J. Composite Structures, 1999, 47: 525530.28 Cottis RA, Li Q, Owen G, et al. Neural network methods for corrosion dada reduction J. Materials and Design, 1999, 20: 169178.29 Liu J, Chan

50、g H, et al. Prediction of the flow stress of high-speed steel during hot deformation using a BP artificial neural network J. Journal of Materials Processing Technology, 2000, 103: 200205.30 Trasatti SP, Mazza F. Crevice corrosion: a neural network approach J. Br Corros. J., 1996, 31: 105112.31 Nesic

51、 S, Vrhovac M. Neural network model for CO2 corrosion of carbon steel J. J. Corrosion Sci. Eng., 1998, 1: 6.32 Pintos S, Queipo NV, et al. Artificial neural network modeling of atmospheric corrosion in the MICAT project J. Corrosion Science, 2000, 42: 3552.33 Cai J, Cottis RA, Lyon SB. Phenomenologi

52、cal modeling of atmospheric corrosion using artificial neural network J. Corrosion Science, 1999, 41: 20012030.34 Pleune TT, Chopra OK. Using artificial neural networks to predict the fatigue life of carbon and low-alloy steels J. Nuclear Engineering and Design, 2000, 197: 112.35 Cheng Y, Huang WL,

53、Zhou CY. Artificial neural network technology for data processing of on-line corrosion fatigue crack growth monitoring J. International Journal of Pressure Vessels and Piping, 1999, 76: 113116.36 Silverman DC, Rosen EM. Corrosion prediction from polarization scans using an artificial neural network

54、integrated with an expert system J. Corrosion, 1992, 48 (9): 734744.37 M. UM, Eiden MN, Macdonald DD. Development of a neural network model for predicting damage functions for pitting corrosion in condensing heat exchangers J. Paris: Modifications of Passive Films, 1993: 336343.38 Berke NS, Hicks MC

55、. Predicting chloride profiles in concrete J. Corrosion Engineering, 1994, 50(3): 234239.39 Mangat PS, Molly BT. Prediction of free chloride concentration in concrete using routine inspection data J. Magazine of Concrete Research, 1994, 46 (169): 279283.40 Glass GK, Hassanein NM, Buenfeld NR. Neural network modelling of chloride binding J. Magazine of Concrete Research, 1997, 49 (181): 323335.41 王恒棟鋼筋混凝土結(jié)構(gòu)耐久性評(píng)估基礎(chǔ)研究D大連：大連理工大學(xué)博士學(xué)位論文，1995.42 金偉良，張亮，鄢飛函數(shù)型神經(jīng)網(wǎng)絡(luò)法在混凝土碳化分析中的應(yīng)用J浙江大學(xué)學(xué)報(bào), 1998, 32（5）: 519525.43 余壽文，馮西橋損傷力學(xué)M北京：清華大學(xué)出版社, 1997.44 Chan YN, Jin P, Anson M, Wang JS. Fire resistance of concret