基于PCA-PSO-LSSVM钢筋锈蚀程度预测研究

钢筋锈蚀是混凝土结构破坏的主要原因之一，通过研究钢筋锈蚀情况，进而分析混凝土构件的耐久性，对提高建筑物的使用寿命来说，具有非常重要的现实意义。钢筋锈蚀受多种因素影响，但传统的钢筋锈蚀检测法容易受到人为和条件因素的干扰，进而产生较大的误差，因此构建一种钢筋锈蚀预测模型，可以快速地进行钢筋锈蚀程度的预测。通过钢筋锈蚀实验获得了23组实测数据，建立基于钢筋中间距、保护层厚度、裂缝宽度、锈蚀电流和锈蚀直径5个因素的预测指标体系，通过主成分分析（PCA）对数据进行降维处理，建立最小二乘支持向量机（LSSVM）模型对钢筋锈蚀率进行预测，选用粒子群算法（PSO）寻找出LSSVM中正则化参数和核函数宽度系数的最优参数组合。结果表明，PSO-LSSVM模型的平均绝对误差和均方根误差为1.88%和1.94%，并同BP神经网络、未优化的LSSVM模型的预测结果做对比分析，验证了该模型的预测精度更高，为复杂环境下的钢筋锈蚀情况监测提供了一种新的途径。