11-4-3) تجزیه و تحلیل داده های هوشمند برای ارزیابی دوام بتن

استفاده از تکنیک تحلیل هوشمند داده در رشته‌های مختلف علوم و مهندسی برای گرفتن روابط متقابل پیچیده بین جفت داده‌های ورودی و خروجی، که فرمول‌بندی غیرخطی، ناشناخته یا پیچیده هستند، در حال تبدیل شدن به یک روش معمول است. نفوذ یون ها ی 2 CO و کلرید به بتن شامل یک فرآیند فیزیکی و شیمیایی پیچیده است که مکانیسم های مختلف حمل و نقل را ترکیب می کند. نفوذ نیز توسط چندین عامل دیگر، از جمله خواص مواد تشکیل دهنده بتن، نسبت مخلوط مواد، شرایط پخت، و محیط ماکرو و میکرو که سازه بتن در معرض آن قرار می گیرد، کنترل می شود. توسعه مدل‌های ریاضی که نفوذ مواد مهاجم ) 2 CO و کلرید) را به بتن توصیف می‌کنند، که تأثیر همه پارامترهای کنترلی را در نظر می‌گیرد، یک کار چالش برانگیز است. پیشرفت دستگاه‌های حسگر کوچک و فناوری‌های اینترنت اشیا، جمع‌آوری داده‌های پیوسته در حال سرویس از پارامترهای مختلف را امکان‌پذیر می‌سازد که نفوذ یون‌های 2 CO و كلرید را به منافذ بتن کنترل می‌کند. با استفاده از تکنیک تحلیل هوشمند داده‌ها بر روی داده‌های بلند مدت اندازه‌گیری شده، می‌توان رابطه متقابل پیچیده‌ای را بین پارامترهای برجسته که نفوذ مواد مهاجم را کنترل می‌کند، آموخت و یک مدل پیش‌بینی ساخت (که زمان شروع خوردگی فولاد تقویت‌کننده را پیش‌بینی می‌کند). بدون فرض یک معادله از پیش تعیین شده به عنوان مدل. با در دسترس بودن داده‌های بیشتر و بیشتر، دقت پیش‌بینی بهبود می‌یابد زیرا می‌تواند تغییرات ریزساختار بتن ناشی از فرآیندهای شیمیایی وابسته به زمان خمیر سیمان و تعامل آن با محیط را ثبت کند. علاوه بر این، دانش مفید را می توان از داده ها با بهره برداری از تکنیک های تحلیل هوشمند داده ها کشف کرد. اگرچه استفاده از تکنیک تحلیل داده‌های هوشمند در چندین زمینه مهندسی رایج شده است، استفاده از آن در ارزیابی دوام و عمر مفید سازه‌های بتنی محدود است. در واقع، در چند سال گذشته، تلاش های کمی برای استفاده از یادگیری ماشین برای ارزیابی دوام بتن با استفاده از داده های عمدتاً تاریخی انجام شده است. از آزمایش‌های میدانی و آزمایشگاهی آزمایشی و نه از سیستم‌های نظارت حین خدمت جمع‌آوری شده‌اند. اکثر این کارها بر اساس آزمایش‌های کوتاه‌مدت (اندازه داده‌های کم) انجام شده‌اند و نتوانسته‌اند برخی از پارامترهای مهمی را که نفوذ دی‌اکسید کربن و یون‌های کلرید را به داخل بتن کنترل می‌کنند، شامل شوند. این آثار در جدول 3 فهرست شده‌اند. همانطور که از جدول 3 مشاهده می‌شود، هیچ مدلی وجود ندارد که غلظت یون‌های کلرید را پیش‌بینی کند، اما این مدل برای مشخص کردن نفوذپذیری کلرید بتن استفاده شده است.

جدول 11-4-3) مدل های مبتنی بر یادگیری ماشینی که برای مشخص کردن عمق کربناتاسیون و نفوذ یون های کلرید در بتن به کار می روند.

• شبکه عصبی، درخت تصمیم، درخت تصمیم کیسه ای و درخت تصمیم تقویت شده.
• شبکه عصبی و سیستم استنتاج عصبی فازی تطبیقی.
• تعیین پارامترهای تاثیرگذار کنترل کننده نفوذ یون کلرید.