本发明涉及地下结构腐蚀寿命预测，具体涉及一种基于数据驱动的酸性环境下地下结构寿命预测方法。
背景技术：
在地下工程中，能对工程结构造成影响的酸性环境主要是硫酸盐环境。地下结构的内侧一般是暴露在不流通的空气中，而外侧直接与地层相接触；在我国的西南地区、沿海地区以及内陆盐湖地区的岩层中常常富含硫酸盐类侵蚀性物质。这种侵蚀环境对地下结构的钢筋混凝土构件会产生很大的破坏作用，常常导致混凝土强度降低、混凝土酥松并成层剥落，从而降低地下结构的整体服役寿命。
硫酸盐侵蚀是一个复杂的物理化学过程，主要受结构自身材料和外部环境因素的影响。就硫酸盐的来源而言，其侵蚀可分为内部侵蚀和外部侵蚀，内部侵蚀是由结构本身带有的硫酸盐引起的(如衬砌混凝土拌合时已经存在的)，外部侵蚀则是由环境中的硫酸盐引发。就硫酸盐腐蚀具体形式而言，侵蚀表现为两种形式：其一是溶出性侵蚀，即侵蚀介质与混凝土中的胶凝材料成分反应生成可溶性物质，在动水压力的作用下不断析出损失，造成侵蚀；其二是膨胀性侵蚀，即侵蚀介质与混凝土中的胶凝材料成分反应，生成不可溶盐类，盐类结晶导致混凝土体积膨胀甚至破坏。
硫酸盐侵蚀具有类似“膨胀剂”的破坏作用，其侵蚀破坏机理为：可溶性的硫酸根离子在孔隙通道内扩散，与水泥水化产物水化铝酸钙相结合产生钙矾石结晶；且伴随着水泥中的氢氧化钙逐渐溶解与二水石膏结晶的生成；此外还伴随水化硅酸钙的脱钙与硅化石膏的生成。上述生成的钙矾石和石膏等结晶均具有膨胀性。
目前关于酸性环境下、尤其是硫酸盐环境下地下结构寿命的预测模型建立方面的研究较少。有学者探究了硫酸盐对隧道的腐蚀机理，给出了隧道结构抗硫酸盐预测寿命关于时间的负指数幂形式的函数；也有学者比较和梳理了各种污染介质中的扩散模型及地下结构腐蚀劣化的典型室内试验结果，探讨了硫酸盐和氯离子双侵蚀、应力腐蚀、腐蚀疲劳耦合作用下的地下结构耐久寿命预测理论，建立了硫酸盐腐蚀预测寿命关于硫酸根浓度、水灰比、掺合料产量、抗折强度之间的函数模型。
目前国内外对地下结构寿命预测模型集中在结构混凝土的碳化与氯蚀方面，而对于酸性环境下，尤其是较高硫酸根浓度下的地下结构寿命预测没有系统的预测方法。
技术实现要素：
发明目的：本发明的目的是提供一种基于数据驱动的酸性环境下地下结构寿命预测方法，解决现有缺少对酸性环境下地下结构寿命的方法的问题。
技术方案：本发明所述的基于数据驱动的酸性环境下地下结构寿命预测方法，包括以下步骤：
(1)依据地下建筑结构所处实际酸性环境条件选取地下结构寿命的主要影响因素，再根据酸性环境中地下建筑结构寿命的不同影响因素，建立多影响因素的模拟样本数据库，样本数据库按照需求分为训练样本集和测试样本集；
(2)根据智能遗传规划的基本原理，确定需要优化的gp参数及多因素预测模型函数的构成形式；
(3)基于pvthon编制哈里斯-鹰优化遗传规划算法，以步骤(1)中的训练样本集的样本数据为驱动，采用hho算法对步骤(2)中的gp参数进行优化；
(4)采用智能遗传规划算法根据优化的gp参数和多因素预测模型函数的构成形式输出多因素预测模型函数；
(5)将测试样本集输入到步骤(4)的多因素预测模型函数中验证模型预测的准确性。
其中，所述步骤(1)中依据地下建筑结构所处实际酸性环境条件选取地下结构寿命的主要影响因素，从选取的影响参数里集中确定多个对地下结构寿命有显著影响的因素，然后对选取的因素进行正交试验设计以模拟工程数据，并根据杜应吉性理论寿命公式确定在该组环境影响因素作用之下的地下结构寿命真值，以环境影响因素的具体数据值与所对应的地下结构寿命值为基础，构建多影响因素的模拟样本数据库。
所述步骤(2)中确定的需要优化的gp参数为交叉概率、子树变异的比例、子树爬升变异比例以及点突变比例，定义函数集为：
s＝{ ，-，×，÷，ln，exp}
定义终止集为：
t＝f(x0，x1，x2，x3，x4)
适值函数的表达式为：
式中，f表示适值函数的函数值，ti表示多因素训练样本中第i个样本数据中的寿命值，t表示遗传操作过程中针对多因素训练样本中第i个样本数据计算得到的输出寿命，n表示多因素训练样本中的样本数据个数。
所述步骤(3)中，在哈里斯-鹰优化遗传规划算法输入训练样本集数据、哈里斯鹰的种群规模pop_size、优化代数epoch、待优化参数的个数n与上界ub、下界1b、遗传规划种群数量p与迭代次数n；将步骤(2)中适值函数f作为hho-gp算法的适值函数；在每一维的上、下界内初始化种群内的每个个体的位置，初始化种群内每个个体的初始适值，并将适值最优的个体所对应位置设定为哈里斯鹰猎物的位置；开始初次迭代，根据哈里斯-鹰算法中的随机数r与猎物逃逸能量e的不同执行哈里斯鹰种群内个体的位置更新策略，由哈里斯-鹰优化遗传规划算法生成的每只哈里斯鹰个体，即表征每一组待优化参数的值；每一组待优化参数都将传入gp子程序中执行完整的遗传规划操作，并得到一个适值；计算本代哈里斯鹰种群内所有个体的适值，与猎物的适值比较；若优于猎物，猎物则替换为该更优个体，并开始下一次迭代，直至迭代次数达到最大迭代次数为止。
所述步骤(4)中多因素预测模型由函数集与终止集构成，多因素预测模型如下：
式中，x0为环境中硫酸盐浓度，x1为衬砌混凝土水灰比，x2为粉煤灰掺量，x3为矿粉掺量，x4为硅灰掺量。
有益效果：本发明通过建立起以多因素数据值为输入集、以所对应的寿命真值为输出集的数据库；利用哈里斯鹰优化算法优异的寻优能力，对遗传规划程序中的几个重要参数进行优化设计，得到优化后的gp参数、多因素预测模型函数及其函数值，本发明可应用于酸性环境下地下结构的寿命的预测，对酸性环境下地下结构的修缮与加固具有指导意义，本发明所建立的寿命预测模型具有合适的训练误差与较小的泛化误差，工程实用性高。
附图说明
图1为本发明的流程示意图；
图2为基于python的哈里斯-鹰优化遗传规划(hho-gp)流程示意图；
图3为酸性环境下多因素预测模型预测值与工程实际值的比较示意图。
具体实施方式
下面结合附图对本发明进行进一步详细说明。
如图1所示，本发明公开的基于数据驱动的酸性环境下地下结构寿命预测方法，包括以下步骤：
(1)依据地下建筑结构所处实际酸性环境条件选取地下结构寿命的主要影响因素，从选取的影响参数里集中确定多个对地下结构寿命有显著影响的因素，再根据酸性环境中地下建筑结构寿命的多个显著影响的因素，以杜应吉性理论寿命模型为基准，建立多影响因素的样本数据库；
其中，对上述不同影响因素进行正交试验设计，以模拟工程数据，并根据理论公式确定在该组环境影响因素作用之下的地下结构寿命真值；以环境影响因素的具体数据值与所对应的地下结构寿命值为基础，构建多影响因素的数据库。
表1硫酸盐环境下的隧道样本数据
如表1所示，其中一组环境影响因素可选取为硫酸盐浓度x0、衬砌混凝土水灰比x1、粉煤灰掺量x2、矿粉掺量x3、硅灰掺量x4，以及境影响因素对应的唯一寿命值ti。一组数据内的数据应当构成对应关系并存放于数据组中，数据库内不同数据组之间属于平行关系，无法互相访问；
数据库中的数据可按需求提取为训练样本集与测试样本集，相应地，训练样本集的数据用于训练预测模型，测试样本集的数据用于验证预测模型的正确性。取表1中的前40组为hho-gp算法训练样本，后10组为测试样本。
(2)基于智能遗传规划(gp)的基本原理，确定需要优化的gp参数及多因素预测模型函数的构成形式；
函数集定义为：
s＝{ ，--，×，÷，ln，exp}
终止集定义为：
t＝f(x0，x1，x2，x3，x4)
适值函数的表达式为：
式中，f表示适值函数的函数值，ti表示多因素训练样本中第i个样本数据中的寿命值，t表示遗传操作过程中针对多因素训练样本中第i个样本数据计算得到的输出寿命，n表示多因素训练样本中的样本数据个数。
遗传规划(gp)中待优化参数确定为交叉概率pc、子树变异的比例psm、子树爬升变异比例phm以及点突变比例ppm。
为了便捷、可靠地确定gp算法运行所需的参数，在执行gp子程序之前，还包括：通过主程序harris-hawkoptimization(hho)算法对gp子程序中的交叉概率pc、子树变异的比例psm、子树爬升变异比例phm以及点突变比例ppm进行寻优。
其中交叉概率、子树变异的比例、子树爬升变异比例以及点突变比例之和应当小于或等于1。
(3)如图2所示，基于python编制哈里斯-鹰优化遗传规划(hho-gp)算法程序，以步骤(1)中给定的训练样本数据为驱动，采用hho算法对步骤s20所述的gp参数展开优化，具体过程包括：
s1，在hho-gp算法中输入如表1所示前40组训练样本数据、哈里斯鹰的种群规模pop_size＝10、优化代数epoch＝10、待优化参数的个数n＝4与上界ub＝0.7、下界lb＝0.1；遗传规划种群数量p＝5000，迭代次数n＝40。
s2，将步骤(2)中的适值函数f作为hho-gp算法的适值函数；在每一维的上、下界内初始化种群内的每个个体的位置，初始化种群内每个个体的初始适值，并将适值最优的个体所对应位置设定为哈里斯鹰猎物的位置。
s3，开始初次迭代，根据哈里斯-鹰算法中的随机数r与猎物逃逸能量e的不同执行哈里斯鹰种群内个体的位置更新策略，由hho-gp算法生成的每只哈里斯鹰个体，即表征每一组待优化参数的值；每一组待优化参数都将传入gp子程序中执行完整的遗传规划操作，并得到一个适值；计算本代哈里斯鹰种群内所有个体的适值，与猎物的适值比较；若优于猎物，猎物则替换为该更优个体，并开始下一次迭代，直至迭代次数达到最大迭代次数为止。
(4)输出hho算法优化后的gp参数、多因素预测模型函数及其函数值。
hho-gp算法终止后，得到待优化参数值分别为：交叉概率pc＝0.15、子树变异的比例psm＝0.025、子树爬升变异比例phm＝0.034、点突变比例ppm＝0.021。
由于程序的输出结果必然是程序代码，需将结果编译成一般数学表达式，即可得到与样本数据对应的酸性环境下地下结构寿命预测模型函数。
算法终止后，得到所多因素预测模型函数程序代码为：
t＝add(mul(sub(sub(log(-14.611)，log(div(mul(-12.512，x4)，div(mul(19.980，x1)，sub(div(sub(x3，-18.729)，mul(19.980，x1))，exp(log(x1)))))))，-16.921)，log(mul(exp(x4)，exp(4.802))))，add(div(mul(-12.512，x4)，div(exp(4.802)，div(x4，x4)))，sub(div(sub(exp(x2)，sub(x0，x1))，mul(-6.061，-16.921))，sub(x2，2.712))))
将程序代码编译成一般数学表达式，得到多因素预测模型如下：
式中，式中，x0为环境中硫酸盐浓度；x1为衬砌混凝土水灰比；x2为粉煤灰掺量；x3为矿粉掺量；x4为硅灰掺量。
将步骤(1)中的训练样本的寿命实际值与预测值进行比较，比较结果如表2所示。
表2训练样本的实际值与训练值比较
从表2中的数据对比可知，利用酸性环境下的隧道寿命预测技术建立的寿命预测模型对40组训练样本的训练情况可观，平均绝对误差为0.894年，相对误差0.008，寿命预测技术可靠。
(5)将测试样本输入至步骤(4)中的多因素预测模型，计算函数值并比较其与实际值间的误差，判断模型预测是否准确。
运用上述gp模型对表1剩余的10组隧道测试样本进行寿命预测，测试样本的预测值与实际值的误差比较如表3所示，其预测结果与实际值的对比如图3所示，由表3、图3可知，本实施例模型所预测的寿命与实际寿命之间的误差较小，平均绝对误差为1.146年，相对误差为0.011，预测值和实际值吻合较好。
表3python模型中测试样本的实际值与预测值比较
上述基于数据驱动的酸性环境下地下结构寿命预测技术，采用python建立的寿命的预测模型表现出较好的预测能力，可用于其它地下工程在酸性环境下的寿命预测，为地下工程的建、管、养提供参考意见。
1.一种基于数据驱动的酸性环境下地下结构寿命预测方法，其特征在于，包括以下步骤：
(1)依据地下建筑结构所处实际酸性环境条件选取地下结构寿命的主要影响因素，再根据酸性环境中地下建筑结构寿命的不同影响因素，建立多影响因素的模拟样本数据库，样本数据库按照需求分为训练样本集和测试样本集；
(2)根据智能遗传规划的基本原理，确定需要优化的gp参数及多因素预测模型函数的构成形式；
(3)基于python编制哈里斯-鹰优化遗传规划算法，以步骤(1)中的训练样本集的样本数据为驱动，采用hho算法对步骤(2)中的gp参数进行优化；
(4)采用智能遗传规划算法根据优化的gp参数和多因素预测模型函数的构成形式输出多因素预测模型函数；
(5)将测试样本集输入到步骤(4)的多因素预测模型函数中验证模型预测的准确性。
2.根据权利要求1所述的基于数据驱动的酸性环境下地下结构寿命预测方法，其特征在于，所述步骤(1)中依据地下建筑结构所处实际酸性环境条件选取地下结构寿命的主要影响因素，从选取的影响参数里集中确定多个对地下结构寿命有显著影响的因素，然后对选取的显著影响的因素进行正交试验设计以模拟工程数据，并根据杜应吉性理论寿命公式确定在该组环境影响因素作用之下的地下结构寿命真值，以环境影响因素的具体数据值与所对应的地下结构寿命值为基础，构建多影响因素的模拟样本数据库。
3.根据权利要求1所述的基于数据驱动的酸性环境下地下结构寿命预测方法，其特征在于，所述步骤(2)中确定的需要优化的gp参数为交叉概率、子树变异的比例、子树爬升变异比例以及点突变比例，定义函数集为：
s＝{ ，-，×，÷，ln，exp}
定义终止集为：
t＝f(x0，x1，x2，x3，x4)，x0为环境中硫酸盐浓度，x1为衬砌混凝土水灰比，x2为粉煤灰掺量，x3为矿粉掺量，x4为硅灰掺量；
适值函数的表达式为：
式中，f表示适值函数的函数值，ti表示多因素训练样本中第i个样本数据中的寿命值，t表示遗传操作过程中针对多因素训练样本中第i个样本数据计算得到的输出寿命，n表示多因素训练样本中的样本数据个数。
4.根据权利要求3所述的基于数据驱动的酸性环境下地下结构寿命预测方法，其特征在于，所述步骤(3)中，在哈里斯-鹰优化遗传规划算法输入训练样本集数据、哈里斯鹰的种群规模pop_size、优化代数epoch、待优化参数的个数n与上界ub、下界lb、遗传规划种群数量p与迭代次数n；将步骤(2)中适值函数f作为hho-gp算法的适值函数；在每一维的上、下界内初始化种群内的每个个体的位置，初始化种群内每个个体的初始适值，并将适值最优的个体所对应位置设定为哈里斯鹰猎物的位置；开始初次迭代，根据哈里斯-鹰算法中的随机数r与猎物逃逸能量e的不同执行哈里斯鹰种群内个体的位置更新策略，由哈里斯-鹰优化遗传规划算法生成的每只哈里斯鹰个体，即表征每一组待优化参数的值；每一组待优化参数都将传入gp子程序中执行完整的遗传规划操作，并得到一个适值；计算本代哈里斯鹰种群内所有个体的适值，与猎物的适值比较；若优于猎物，猎物则替换为该更优个体，并开始下一次迭代，直至迭代次数达到最大迭代次数为止。
5.根据权利要求3所述的基于数据驱动的酸性环境下地下结构寿命预测方法，其特征在于，所述步骤(4)中多因素预测模型由函数集与终止集构成，多因素预测模型如下：
式中，x0为环境中硫酸盐浓度，x1为衬砌混凝土水灰比，x2为粉煤灰掺量，x3为矿粉掺量，x4为硅灰掺量。
技术总结