氯离子扩散系数是描述混凝土结构退化速度的重要指标。目前，已有研究提出了许多模型来研究氯离子在混凝土试件中的扩散特性。然而，这些模型大多只考虑了暴露时间和腐蚀深度对氯离子扩散系数的影响，而忽略了环境中的不确定因素。这可能会导致所有典型的氯扩散系数模型的预测值与实验值之间存在巨大差异。机器学习方法作为潜在的替代预测方法经常被用来应对这种偏见。本文采用了五种现代最大似然方法，即反向传播(BP)神经网络、决策树(DT)、随机森林(RF)、线性回归(LR)和岭回归(RR)来研究氯离子的扩散系数。研究中考虑的输入特征包括水灰比、混凝土试件厚度、粗集料体积分数、环境温度与养护标准温度的比率以及环境湿度与相对湿度的比率。结果表明，BP神经网络预测精度最高(85%)，均方根误差最小。通过对输入参数重要性的研究发现，粗集料体积分数、水灰比、保护层厚度以及环境湿度与相对湿度的比值对氯离子扩散系数的影响最大。此外，还建立了考虑材料和环境中随机因素影响的氯离子扩散系数的数据驱动模型。与试验结果对比表明，预测结果与试验结果更接近，有助于深入探讨混凝土结构的耐久性。

图1 数据源。

图2 标本比例。

图3 对以前的模型进行了评价。

图4 ML算法的图形表示。

图5 用机器学习算法模拟氯离子扩散系数的结果。

图6 (ML)模型与实验数据的比较结果。

图7 各参数的灵敏度。

图8 比较结果。

图9 模型评价。

参考引用：

Xuanrui Y, Developing an artificial neural network model to predict the durability of the RC beam by machine learning approaches[J]. Case Studies in Construction Materials , 17.