混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质技术方案

本发明专利技术公开了一种混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质，所述方法包括：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。本发明专利技术提供的混凝土钢筋腐蚀状态评定方法，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。筋腐蚀状态。筋腐蚀状态。

【技术实现步骤摘要】
混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质


[0001]本专利技术涉及混凝土钢筋腐蚀状态检测
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]为了克服上述现有技术中的缺陷，本专利技术提供了一种混凝土钢筋腐蚀状态评定方法，包括：
[0006]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；
[0007]提取所述标准波形图的分布特征；
[0008]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；
[0009]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。
[0010]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。
[0011]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：
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]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：
[0017]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]本专利技术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]本专利技术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]本专利技术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，本专利技术的有益效果在于：
[0043]本专利技术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。本专利技术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专利技术的技术方案，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专利技术的一些实施方式，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是本专利技术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是本专利技术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是本专利技术某一实施例提供的钢筋扫描仪扫描试验图；
[0049]图5是本专利技术某本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混凝土钢筋腐蚀状态评定方法，其特征在于，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。2.根据权利要求1所述的混凝土钢筋腐蚀状态评定方法，其特征在于，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。3.根据权利要求2所述的混凝土钢筋腐蚀状态评定方法，其特征在于，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：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；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；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；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。4.根据权利要求1或3所述的混凝土钢筋腐蚀状态评定方法，其特征在于，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：获取所述评价指标的计算公式：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；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。5.一种混凝土钢筋腐蚀状态评定系统，其特征在于，包括：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；特征提取单元...

【专利技术属性】
技术研发人员：王彦峰，吴小蕙，张章亮，王流火，陈辉祥，蔡振华，车伟娴，雷翔胜，潘柏崇，王兴华，陈锟，郭金根，朱文卫，梁爱武，刘明，夏晋，吴仁杰，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：