硫酸盐腐蚀下混凝土力学性能劣化的机器学习预测方法综述
(1. 大连交通大学交通工程学院, 大连 116052
2. 哈尔滨工业大学土木工程学院, 哈尔滨 150080)
摘要: 硫酸盐腐蚀环境作用下混凝土力学性能劣化是多阶段演化的动态过程, 不同的物理化学反应在不同时期主导材料性能的渐进式退化, 准确预测力学性能劣化对混凝土耐久性的研究至关重要。在腐蚀混凝土力学性能预测方法中, 传统回归方法易受高维复杂数据的影响而产生过拟合现象, 进而降低其泛化能力, 而数值模拟方法需要依赖复杂假设和海量力学参数, 计算成本高且不确定性大。此外, 工程实践中存在长期监测数据匮乏、加速试验与实际环境存在动力学差异等, 进一步加剧了力学性能预测的不确定性。机器学习可通过非线性映射建模实现多变量耦合分析, 有效整合材料配比、环境参数等多微观、宏观参数, 进而提升腐蚀混凝土力学性能预测的普适性与准确性。本文首先阐述了硫酸盐腐蚀作用下混凝土材料腐蚀机理, 归纳了已有力学性能退化机器学习预测方法研究进展, 梳理了现有预测模型所对应数据集的瓶颈, 最后展望了机器学习预测模型的未来的研究方向。
关键词: 混凝土, 硫酸盐, 腐蚀劣化, 力学性能, 机器学习
引用格式: 贾晗曦, 乔国富. 硫酸盐腐蚀下混凝土力学性能劣化的机器学习预测方法综述[J]. 工程材料与结构, 2025, 4(4): 92-103.
文章类型: 综 述
收稿日期: 2025-11-30
接收日期: 2025-12-03
出版日期: 2025-12-28
1 引言
混凝土作为现代基础设施建设的核心工程材料，其耐久性退化已成为全球土木工程领域亟待攻克的共性难题。以2014年为例，我国因腐蚀产生的直接经济损失达21278.2亿元人民币，占当年国内生产总值的3.34%，即每位国民承担超过1555元的腐蚀成本[1]。
由于在腐蚀环境条件下，工程结构通常面临着材料劣化、构件损伤和结构功能失效等问题，逐渐削弱结构的可靠性，而现行结构设计方法未考虑工程结构的长期劣化情况，使结构的实际使用寿命无法达到设计要求[2]。针对现行结构设计方法对耐久性考虑不足的问题，国内外针对腐蚀环境作用下的材料、构件到结构开展系统、深入研究。这些研究致力于揭示复杂环境作用下的钢混结构耐久性损伤机理与性能劣化规律，明确不同腐蚀环境下钢混结构耐久性极限状态，得到基于耐久性能劣化的钢混结构可靠性评定方法。钢混结构在腐蚀环境服役过程中的性能发展，最终关系到工程结构的服役寿命和维护需求。近年来国内外针对混凝土材料腐蚀后的力学性能进行了大量试验并建立了系列预测模型，但至今还未在腐蚀环境作用和力学性能演化之间搭建起坚固的“桥梁”。
腐蚀环境作用下混凝土性能演化是多阶段演化的动态过程，不同的物理化学反应在不同时期主导混凝土材料性能的渐进式退化[3]。当前研究通常采用分阶段建模方法评估环境腐蚀[4]，主要依赖两类传统方法:基于专家经验的方法[5]和有限元数值模拟技术[6]，通过线性或非线性回归预测腐蚀深度、扩散系数等关键参数，虽具有计算高效、可识别变量敏感性的优势，但也存在回归模型易受高维复杂数据影响而产生过拟合，导致泛化能力受限的问题[7]。数值模拟方法虽能提高计算精度，但在实际应用中仍面临理论瓶颈，跨尺度建模的计算复杂度激增，材料界面效应与随机损伤的数学表征尚未完善，环境载荷的时变扰动难以完整描述[8]。这些传统方法往往忽略微观结构演变与宏观性能退化的非线性关系。此外，工程实践中动态监测数据匮乏、加速试验与实际环境存在动力学差异，进一步加剧了模型验证的不确定性。
鉴于传统方法在腐蚀混凝土力学性能预测中的局限性，为解决上述问题，引入机器学习算法。机器学习通过非线性映射建模实现多变量耦合分析，可有效整合材料物质属性、腐蚀环境信息等多元参数[9]。鉴于此，本文围绕硫酸盐腐蚀环境下混凝土力学性能退化机器学习预测方法涉及的关键科学问题进行综述。
2 硫酸盐腐蚀混凝土劣化机理
混凝土结构实际服役环境中包含许多富含硫酸盐的环境，如地下水、盐碱土和海水，对钢筋混凝土结构构成了严重的威胁[4]。在这些环境中，硫酸盐溶液中的S
具有极强的渗透性，能通过水泥混凝土的多孔网络逐渐渗入基体内部，与水化产物的反应如式(1)和(2)所示。S与水泥基材料反应可能形成钙钒石(Ettringite，AFt)和石膏，AFt可能会引起混凝土膨胀，进而导致混凝土内部产生裂缝，并随着时间的推移而不断拓展[10-15]。这种裂缝的形成和拓展是混凝土劣化的重要原因之一，可能会严重影响结构的整体性和承载能力[4]。此外，石膏同样也可能引起混凝土的膨胀，进一步加剧结构的破坏，更为严重的是，石膏的形成还可能引发钙溶蚀，导致水化硅酸钙凝胶(Calcium Silicate Hydrate，C-S-H)分解，并软化混凝土表层，降低混凝土的强度并破坏其完整性。随着时间的推移，这些劣化现象将不断累积，最终导致混凝土力学性能下降，如图1和2所示[10]，在腐蚀初期膨胀性腐蚀产物填充孔隙，强度和弹性模量增加，后期随着产物的增加而逐渐下降，硫酸盐浓度越高的区域力学性能劣化越严重。
S+Ca(OH)2+2H2O→CaSO4·2H2O+2OH-(1)
3(CaSO4·2H2O)+4CaO·Al2O3·12H2O+14H2O
→3CaO·Al2O3·3CaSO4·32H2O+Ca(OH)2(2)
图1 硫酸盐腐蚀混凝土的弹性模量[10]
Fig.1 Elastic modulus of concrete under sulfate attack[10]
图2 硫酸盐腐蚀混凝土的抗压强度[10]
Fig.2 Compressive strength of concrete under sulfate attack[10]
3 腐蚀混凝土力学性能退化机器学习预测方法
尽管机器学习在土木工程领域的应用始于三十年前，但早期研究受限于数据规模与算力，主要聚焦于简单问题的算法验证[16]。随着材料数据库的完善与计算技术的突破，机器学习开始应用于复杂腐蚀问题:(1)腐蚀后力学性能的定值预测(抗压强度[8]、钢筋-混凝土界面粘结强度[17]);(2)腐蚀过程的相关重要参数(离子扩散浓度[18]、腐蚀深度[18]);(3)材料耐久性评估(耐蚀性等级[19])。然而，现有机器学习算法通常基于从试验、模拟或实际工程得到的小数据集建立模型，数据量限制了机器学习的性能，也限制了其泛化性能，使得机器学习预测模型只能随着输入和输出参数的变化而变化，在其数据集上具有良好性能，但应用于其他数据集时可能就会降低准确度。鉴于此，本节从机器学习预测方法与数据集的局限性两方面进行综述。
3.1 机器学习预测方法研究现状
在混凝土性能预测领域，机器学习常用的监督学习模型如图3所示[20]，通过实验室实验、模拟和工程现场收集到合适的数据建立初始数据集;通过特征工程等方法对数据集进行处理得到输入参数集;选择合适的算法建立机器学习模型;最后输出混凝土性能结果。输入参数通常为水泥熟料组成、混凝土配合比、腐蚀环境参数、采样时空等，输出参数为混凝土相关性能及腐蚀参数。
图3 监督学习模型[21]
Fig.3 Schematic diagram of supervised learning model[21]
典型腐蚀混凝土力学性能机器学习预测模型如文献[19]所述，通过143组实验样本构建机器学习框架，采用5折交叉验证优化超参数，如图4所示，继而通过特征重要性分析识别关键变量(水灰比、S浓度梯度等)，并通过开发图形用户界面(graphic user interface，GUI)工具实现工程便捷应用，如图5所示，界面详细展示了所需的输入和输出参数。Sahoo等[21]基于162组加速腐蚀实验数据，构建机器学习中常用的神经网络模型预测长期暴露(6—24个月)下混凝土材料的抗压强度退化。Diab等[8]则针对硫酸盐作用下不同浓度工况以优化网络结构，实现膨胀率-强度损失的关联建模。
以上研究均为典型的监督学习模型，特定的输入和输出参数，参数通常为宏观层面，选择合适的监督学习模型建立输入与输出参数之间的映射关系。此类方法普适性较差，若更换输入、输出参数或数据集，则难以得到相同结果。因此，近年来，研究人员从不同的角度尝试解决该问题。Xue等[22]将复合材料领域的多尺度均匀化方法融入机器学习方法，使用快速傅里叶变换方法进行一系列数值模拟，考虑不同混凝土孔隙率和夹杂相体积分数，再结合人工神经网络建立孔隙、夹杂和强度的映射关系，人工神经网络架构如图6所示，其建模流程如图7所示，由输入、输出和中间层组成，算法结构依旧属于监督学习领域。该方法将参数上升到细观和微观层次，弱化了参数尺度对机器学习模型普适性的影响。在硫酸盐腐蚀后，混凝土材料的孔隙率与夹杂相均改变，但仍然可以结合多尺度均匀化方法得到机器学习所需数据。
此外，当前应用多局限于单因素或双因素分析，而实际服役环境常伴随多因素协同作用导致的损伤叠加。如硫酸盐与Cl-的竞争吸附则会加速钢筋活化进程[23]。更严峻的挑战在于环境腐蚀与载荷的耦合效应，如Shakr等[24]发现干湿循环与持续荷载共同作用时，钢筋-混凝土界面粘结强度损失率较单一因素工况提升近40%;Yang等[25]在桥梁工程中构建的复合腐蚀疲劳模型进一步揭示了循环荷载对腐蚀离子渗透速率的放大作用。这种耦合效应预测模型中的数据获取比单一腐蚀环境的难度更高，传统实验方法在解析多因素耦合机制时存在固有局限:其一，实验室常采用顺序加载模式(如先施加载荷后引入腐蚀介质[26])，无法真实反映实际服役中力学-化学损伤的同步作用;其二，试样制备与测试流程的离散性导致跨尺度数据关联困难(如微观裂纹扩展与宏观性能退化的映射关系[27])。这些局限性使得混凝土空间异质性难以量化，制约了传统多因素耦合预测模型的适用性[28]。机器学习为解决多因素耦合问题提供了新范式，可通过融合材料组分、环境参数与载荷历史等多源数据同步考虑化学-力学耦合效应。机器学习的前沿算法之一——深度学习方法(如卷积神经网络)则展现出对多因素腐蚀裂纹的早期识别能力[29]，其图像处理优势可有效捕捉损伤演化的空间非均匀特征。
图4 交叉验证[19]
Fig.4 Cross-validation[19]
图5 图形用户交互界面[19]
Fig.5 Graphical user interface example[19]
图6 人工神经网络架构图[22]
Fig.6 Schematic diagram of artificial neural network-based model [22]
3.2 腐蚀混凝土数据集构建瓶颈
机器学习预测模型面临的重要困境除预测模型本身外，数据质量和数量等数据集的问题也是力学性能退化预测中的困境，本节详细叙述数据集构建的种种挑战。混凝土材料体系复杂度高(涉及水泥-掺合料-骨料多相组合)，而可用实验数据规模有限且高度离散[30];其次，尽管全球每日产生大量新建材料力学性能数据，但缺乏腐蚀环境作用下的混凝土力学性能劣化数据，且各公开发表的文献等材料涉及的数据缺乏统一的规制;并且，缺乏包含多维度参数的标准化数据库，该数据库需包含从材料组成(水化产物晶体结构、骨料粒径分布)、制备工艺(搅拌能量、养护条件)到环境暴露参数(S浓度、温湿度梯度)等数据，同时需整合微观结构、力学响应(弹性模量衰减)等多尺度数据。
具体而言，当前混凝土数据面临尺度割裂与数据异构性双重挑战是数据集构建挑战中的重点。尽管通过实验与模拟方法已积累原子尺度(密度泛函理论)、细观尺度(粗粒度分子动力学)及宏观尺度(有限元分析)文献数据[31]，但跨尺度关联机制的解析仍是重大瓶颈。Zhai等[31]指出，多数研究局限于单一尺度建模，仅有少数数据库尝试建立微观-宏观关联(如图8所示)。并且，现场腐蚀研究多聚焦于构件力学性能退化，鲜有整合材料化学组成、微观结构演变与结构响应的系统性工作。
图7 人工神经网络流程图[22]
Fig.7 Flowchart for building an artificial neural network-based model [22]
图8 混凝土多尺度数据[31]
Fig.8 Multi-scale data of concrete[31]
此外，数据库的建设需要多年的积累，具体的内容聚焦三方向:其一，制定跨尺度参数的表征规范，明确微观参数与宏观参数的关联准则[32];其二，开发基于物理信息约束的框架，以细观尺度为桥梁[33]，实现硫酸盐腐蚀作用下混凝土微观演化到宏观响应的定量映射;其三，建立与各数据平台兼容的接口，支持实时腐蚀监测与寿命预测。Huang等[34]的研究为此提供了范式参考，通过深度神经网络整合微观形貌、细观损伤与宏观力学响应数据，成功预测了复杂载荷下的材料本构关系演变。
在数据异构性方面，钢筋混凝土材料在自然劣化和加速劣化条件下呈现不同的劣化状态，二者之间的相关性构成了一个关键挑战[35]。当前研究多数在实验室内进行测试，例如，Li等[36]通过恒电流法研究了预应力钢筋混凝土结构中黏结的疲劳腐蚀劣化性能。该方法加速了腐蚀行为。尽管实验室加速实验是研究钢筋混凝土耐久性和力学最常用的技术[37]，但现场长期检查数据和实验室加速数据之间存在差异，且各实验室采用不同的加速制度、材料属性、腐蚀环境，这些差异都会导致集合起来的数据集具有异构性。
针对小数据集困境，目前研究人员已提出一些解决方案:(1)迁移学习技术。Ma等[38]通过融合35%实测数据与有限元模拟图像特征，构建跨源数据映射通道，使模型精度无限接近全训练数据集;(2)主动学习策略。基于预期改进准则动态筛选高价值实验样本，减少数据采集成本[39];(3)增强数据集:Faber等[40]开发的核岭回归模型，通过密度泛函理论计算生成虚拟数据集，有效缓解实验数据稀缺问题。常见的数据集增强算法对比如表1所示。硫酸盐腐蚀混凝土多尺度数据集包含力学性能及对其有影响的关键参数，均为数值型数据，且具有一定的趋势性。因此，其适用算法应为保留原数据趋势的回归型方法。常用数据增强方法的核心思想、适用场景以及特点如表1所示。k-近邻和整体趋势扩散技术结合算法可以结合k-近邻的局部相似性与整体趋势扩散算法的全局趋势，局部细节与整体趋势兼得，且适用于回归型问题[41]。少数类过采样算法适用于类别不平衡数据，即适用于分类型问题。数据增强方法不适用于带有趋势性的数值型数据。自编码器适用于较大数据量的数据增强，而腐蚀数据量较小。生成对抗网络在处理小数据集时易产生过拟合。k-近邻算法适用于数值类的回归型数据[42]，且能有效捕捉局部趋势。
表1 数据集增强算法对比
Table 1 Comparison of dataset enhancement algorithms
|
算法 |
核心思想 |
适用场景 |
特点 |
|
k-近邻和整体趋势扩散结合算法 |
结合k-近邻的局部相似性搜索与整体趋势扩通过局部邻域+全局趋势提升小数据泛化能力 |
保留局部细节，用全局趋势缓解过拟合 |
保留趋势+回归型 |
|
合成少数类过采样算法 |
通过插值生成少数类样本，平衡类别分布，基于k-近邻选择近邻进行线性插值 |
类别不平衡数据 |
分类型 |
|
数据增强方法 |
通过几何变换、噪声添加等人工规则生成新样本 |
图像、文本等结构化数据 |
不适用于数值型 |
|
自编码器 |
通过神经网络学习数据的低维表示，重构数据以增强特征，可捕捉非线性关系 |
数据降维/增强，异常检测 |
适用于较大数据量 |
|
生成对抗网络 |
生成器与判别器博弈，生成逼真数据，通过对抗训练提升数据多样性 |
复杂数据增强(如图像、视频)，数据分布模拟 |
小数据易过拟合 |
|
局部离群因子法 |
基于局部密度识别异常点，通过密度估计增强数据分布，与k-近邻类似，但聚焦异常点 |
异常检测，数据清洗 |
无法生成新样本 |
综上，针对以上混凝土腐蚀数据集方面的挑战，未来改进方向可归纳为以下五个维度:(1)多源异构数据整合机制。构建融合文献数据、检测机构档案与现场监测数据的多模态数据库，通过特征工程提取材料配比、荷载历程与损伤演化的关联规则。采用迁移学习等技术实现跨机构数据价值迁移，解决样本分布偏差问题。在数据中融入混凝土多尺度信息[43-46]，以增加模型的普适性。(2)领域专用数据库架构。针对加固混凝土、超高性能混凝土等细分材料，建立包含微观结构CT扫描[47]、纳米压痕测试[48-50]等专业数据的知识图谱。(3)智能数据存储范式。采用数据库管理模型、裂缝图像等非结构化数据，结合图数据库存储材料-性能关联网络。开发自适应工具实现试验报告文档、传感器时序数据与有限元模型的自动关联映射。(4)研究可复现性保障体系[51]。建立机器学习模型元数据标准，记录超参数优化路径与训练数据分布特征，增加可解释性[52,53]。(5)构建增强数据集。构建包含异常工况、负样本的对抗训练数据集，采用主动学习筛选信息量最大的失败案例[54]。开发基于物理约束的生成对抗网络等数据增强模型[55,56]，生成符合混凝土材料劣化机理的合成数据以扩充样本空间[57]。
3.3 机器学习预测模型发展趋势
对于已有混凝土结构，及时检测腐蚀混凝土力学性能劣化情况需要兼具实验室精度与现场鲁棒性的方法，现有模型存在决策不透明和多模态传感器数据融合不足的问题，Jin等[58]提出混凝土裂缝推理方法，传感器专用卷积神经网络从地质雷达等检测中提取特征，再使用记忆引导的生成预训练变换模型(Generative Pre-trained Transformer-4，GPT-4)在基线模式、反馈模式和自适应优化模式下运行，可实现自我修正，为可解释机器学习辅助混凝土力学性能健康监测提供了实用途径。类似于GPT-4模型，也可利用大型语言模型驱动专用智能体算法，根据自然语言描述、二维或三维图像和几何等输入生成表面网络，配置并运行边界求解器，通过由GPT-4等大语言模型引导的交互式对话协同工作[59]。此类方法也可拓展到腐蚀混凝土建模并计算其力学性能。
现有机器学习预测模型多为监督学习方法，可解释性较差，无法得到输入参数与力学性能之间的定量表达式。符号回归算法可在无限的搜索空间中寻找简约且可推广的数学公式，同时还可以拟合训练数据，但在混凝土力学性能预测中应用较少，且尚无普适性公式。Ruan等[60]突破符号回归瓶颈，从有限数据中提取了通用表达式，提高了符号回归算法的可拓展性。该算法未来可用于腐蚀混凝土力学性能预测中，结合高质量的有限数据集得到更为高精度和普适性兼容的算法模型。
已有机器学习预测模型中，Xue等[22]将多尺度均匀化方法融入机器学习算法中，但未考虑腐蚀作用下的空间异质性，硫酸盐腐蚀作用下，微观结构随腐蚀的不同阶段持续变化。若能复现腐蚀后微观结构，可为多尺度均匀化与机器学习融合方法增加可信度和准确性。直接从扫描电镜、CT等数据转换模型存在成像耗时、界面识别难、仅能提供单一模型的局限。现有重建算法分为基于描述符和相关函数两类，前者依赖迭代优化导致计算量大，后者难以处理任意形状异质性，腐蚀产物也在不断的变化，增加了该方法的难度。Yang等[61]提出的集成重建算法，基于显示表示任意形状异质性形貌，通过两种填充算法重构微观结构，结合优化算法浮现了目标统计描述符。该算法适用于微观力学分析，可生成机器学习所需的多尺度数据集。
综上，未来可引入大语言模型对已有混凝土结构进行检测，计算腐蚀混凝土力学性能;可引入先进的符号回归算法得到关键腐蚀参数与力学性能之间的定量关系式，以减少机器学习对数据量的依赖，降低模型冗余度;可基于微观结构重建算法对腐蚀混凝土的微观结构重构，再结合多尺度均匀化计算方法，生成机器学习所需的多尺度融合数据集。
4 结论与展望
硫酸盐腐蚀混凝土力学性能劣化机器学习预测模型在过去几十年已取得了显著进展，通过调控输入参数，实现了特定混凝土力学性能的预测。目前仍面临的挑战包括:(1)机器学习模型需要大量的高质量数据进行训练，而实际工程或试验得到的数据量较低，质量也参差不齐;(2)现有机器学习模型的可解释性较差，无法得到混凝土腐蚀后力学性能与其他参数的显示表达式;(3)随着腐蚀环境、材料属性和采样时空的变化，现有机器学习模型需要重新训练以保持有效性，尚无普适性模型。
未来可从数据集、算法模型两方面改进。针对数据集，可将多源异构数据融合，基于合适的数据集增强算法对其进行处理，生成符合混凝土材料劣化机理的增强数据以扩充样本空间，达到机器学习所需的有限高质量数据的目标;针对算法模型，可引入大语言、符号回归等算法模型，使得算法可实现混凝土全生命周期的力学性能计算。
利益冲突: 作者声明没有利益冲突。
[①] *通讯作者 Corresponding author:乔国富，qgfhit@163.com
收稿日期:2025-11-30; 录用日期:2025-12-03; 发表日期:2025-12-28
参考文献(References)
[1] 侯保荣, 张盾, 王鹏. 海洋腐蚀防护的现状与未来[J]. 中国科学院院刊, 2016, 12(31): 1326-1331.
[2] Alexander M, Beushausen H. Durability, service life prediction, and modelling for reinforced concrete structuresreview and critique[J]. Cement and Concrete Research, 2019, 122: 17-29.
https://doi.org/10.1016/j.cemconres.2019.04.018.
[3] Chen K, Wu D, Xia L, et al. Geopolymer concrete durability subjected to aggressive environments-A review of influence factors and comparison with ordinary Portland cement[J]. Construction and Building Materials, 2021, 279: 122496.
https://doi.org/10.1016/j.conbuildmat.2021.122496.
[4] Zhang Z, Jin X, Luo W. Long-term behaviors of concrete under low-concentration sulfate attack subjected to natural variation of environmental climate conditions[J]. Cement and Concrete Research, 2019, 116: 217-230.
https://doi.org/10.1016/j.cemconres.2018.11.017.
[5] Guo B, Qiao G, Han P, et al. Effect of natural carbonation on chloride binding behaviours in OPC paste investigated by a thermodynamic model[J]. Journal of Building Engineering, 2022, 49: 104021.
https://doi.org/10.1016/j.jobe.2022.104021.
[6] Han P, Qiao G, Guo B, et al. Investigation of the low-frequency stray current induced corrosion on reinforced concrete infrastructure in high-speed rail transit power supply system[J]. International Journal of Electrical Power and Energy Systems, 2022, 134: 107436.
https://doi.org/10.1016/j.ijepes.2021.107436.
[7] Rafiei M H, Khushefati W H, Demirboga R, et al. Neural network, machine learning, and evolutionary approaches for concrete material characterization[J]. ACI Materials Journal, 2016, 113(6): 781-789.
https://doi.org/10.14359/51689360.
[8] Diab A M, Elyamany H E, Abd Elmoaty M, et al. Prediction of concrete compressive strength due to long term sulfate attack using neural network[J]. Alexandria Engineering Journal, 2014, 53(3): 627-642.
https://doi.org/10.1016/j.aej.2014.04.002.
[9] Schmidhuber J. Deep learning in neural networks: An overview[J]. Neural Networks, 2015, 61: 85-117.
https://doi.org/10.1016/j.neunet.2014.09.003.
[10] Liao K X, Zhang Y P, Zhang W P, et al. Modeling constitutive relationship of sulfate-attacked concrete[J]. Construction and Building Materials, 2020, 260: 119902.
https://doi.org/10.1016/j.conbuildmat.2020.119902.
[11] Zhou C, Zhu Z, Zhu A, et al. Deterioration of mode Ⅱ fracture toughness, compressive strength and elastic modulus of concrete under the environment of acid rain and cyclic wetting-drying[J]. Construction and Building Materials, 2019, 228: 116809.
https://doi.org/10.1016/j.conbuildmat.2019.116809.
[12] Cheng H, Liu T, Zou D, et al. Compressive strength assessment of sulfate-attacked concrete by using sulfate ions distributions[J]. Construction and Building Materials, 2021, 293: 123550.
https://doi.org/10.1016/j.conbuildmat.2021.123550.
[13] Yu X T, Chen D, Feng J R, et al. Behavior of mortar exposed to different exposure conditions of sulfate attack[J]. Ocean Engineering, 2018, 157: 1-12.
https://doi.org/10.1016/j.oceaneng.2018.03.017.
[14] Gao D, Che Q, Meng Y, et al. Properties evolution of calcium sulfoaluminate cement blended with ground granulated blast furnace slag suffered from sulfate attack[J]. Journal of Materials Research and Technology, 2022, 17(1): 1642-1651.
https://doi.org/10.1016/j.jmrt.2022.01.133.
[15] Yu J, Sim S, Song H, et al. Examination of sulfate resistance of nano-alumina added ordinary Portland cement paste, focusing on the two different crystallinity of nano-aluminas[J]. International Journal of Concrete Structures and Materials, 2023, 17(1). 180.
https://doi.org/10.1186/s40069-023-00591-7.
[16] Reich Y. Machine learning techniques for civil engineering problems[J]. Computer-Aided Civil and Infrastructure Engineering, 1997, 12(4): 295-310.
https://doi.org/10.1111/0885-9507.00065.
[17] Rinchon J P M, Concha N C, Calilung M G V. Reinforced concrete ultimate bond strength model using hybrid neural network-genetic algorithm[C]//. 2017IEEE 9th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management(HNICEM). IEEE, 2017: 1-6.
https://doi.org/10.1109/HNICEM.2017.8269560.
[18] Taffese W Z, Sistonen E, Puttonen J. CaPrM: Carbonation prediction model for reinforced concrete using machine learning methods[J]. Construction and Building Materials, 2015, 100: 70-82.
https://doi.org/10.1016/j.conbuildmat.2015.09.058.
[19] Liu K, Dai Z, Zang R, et al. Prediction of the sulfate re- sistance for recycled aggregate concrete based on ensemble learning algorithms[J]. Construction and Building Materials, 2022, 317: 125917.
https://doi.org/10.1016/j.conbuildmat.2021.125917.
[20] Jia H, Qiao G, Han P. Machine learning algorithms in the environmental corrosion evaluation of reinforced concrete structures-A review[J]. Cement and Concrete Composites, 2022, 133: 104725.
https://doi.org/10.1016/j.cemconcomp.2022.104725.
[21] Sahoo S, Mahapatra T R. ANN Modeling to study strength loss of Fly Ash Concrete against Long term Sulphate Attack[J]. Materials Today: Proceedings, 2018, 5(11): 24595-24604.
https://doi.org/10.1016/j.matpr.2018.10.257.
[22] Xue J, Cao Y, Yin Z, et al. Estimation of macroscopic failure strength of heterogeneous geomaterials containing inclusion and pore with artificial neural network approach[J]. Computers and Geotechnics, 2024, 170: 106294.
https://doi.org/10.1016/j.compgeo.2024.106294.
[23] Ran B, Omikrine-Metalssi O, Fen-Chong T, et al. Pore crystallization and expansion of cement pastes in sulfate solutions with and without chlorides[J]. Cement and Concrete Research, 2023, 166: 107099.
https://doi.org/10.1016/j.cemconres.2023.107099.
[24] Shakr Piro N, Mohammed A, Hamad S M, et al. Electrical resistivity-Compressive strength predictions for normal strength concrete with waste steel slag as a coarse aggregate replacement using various analytical models[J]. Construction and Building Materials, 2022, 327: 127008.
https://doi.org/10.1016/j.conbuildmat.2022.127008.
[25] Yang D, Yi T, Li H. Coupled Fatigue-Corrosion Failure Analysis and Performance Assessment of RC Bridge Deck Slabs[J]. Journal of Bridge Engineering, 2017, 22(10): 1-9.
https://doi.org/10.1061/(ASCE)BE.1943-5592.0001108.
[26] Gartner E, Sui T. Effect of Cyclic Loading Deterioration on Concrete Durability: Water Absorption, Freeze- Thaw, and Carbonation[J]. ASCE, 2018, 114(9): 27-39.
https://doi.org/10.1061/(ASCE)MT.1943-5533.0002450.
[27] Yang D, Yan C, Liu S, et al. Stress-strain constitutive model of concrete corroded by saline soil under uniaxial compression[J]. Construction and Building Materials, 2019, 213: 665-674.
https://doi.org/10.1016/j.conbuildmat.2019.03.153.
[28] Shi J, Ming J, Sun W, et al. Corrosion performance of reinforcing steel in concrete under simultaneous flexural load and chlorides attack[J]. Construction and Building Materials, 2017, 149: 315-326.
https://doi.org/10.1016/j.conbuildmat.2017.05.092.
[29] Pidaparti M R. Structural corrosion health assessment using computational intelligence methods[J]. Structural Health Monitoring, 2007, 6(3): 245-259.
https://doi.org/10.1177/1475921707081975.
[30] Van Damme H. Concrete material science: Past, present, and future innovations[J]. Cement and Concrete Research, 2018, 112: 5-24.
https://doi.org/10.1016/j.cemconres.2018.05.002.
[31] Zhai C, Li T, Shi H, et al. Discovery and design of soft polymeric bio-inspired materials with multiscale simulations and artificial intelligence[J]. Journal of Materials Chemistry B, 2020, 8(31): 6562-6587.
https://doi.org/10.1039/D0TB00896F.
[32] Li X, Zuo X, Li L, et al. Multiscale modeling and simulation on mechanical behavior of fiber reinforced concrete[J]. International Journal of Solids and Structures, 2024, 286-287: 112569.
https://doi.org/10.1016/j.ijsolstr.2023.112569.
[33] Zuo X B, Zheng Z K, Li X N, et al. Mesoscale numerical simulation on the deterioration of cement-based materials under external sulfate attack[J]. Engineering Failure Analysis, 2023, 151: 107419.
https://doi.org/10.1016/j.engfailanal.2023.107419.
[34] Huang D Z, Xu K, Farhat C, et al. Learning constitutive relations from indirect observations using deep neural networks[J]. Journal of Computational Physics, 2020, 416: 109491.
https://doi.org/10.1016/j.jcp.2020.109491.
[35] Ashraf W, Olek J. Carbonation behavior of hydraulic and non-hydraulic calcium silicates: potential of utilizing low-lime calcium silicates in cement-based materials[J]. Journal of Materials Science, 2016, 51(13): 6173-6191.
https://doi.org/10.1007/s10853-016-9909-4.
[36] Li F, Qu Y, Wang J. Bond life degradation of steel strand and concrete under combined corrosion and fatigue[J]. Engineering Failure Analysis, 2017, 80: 186-196.
https://doi.org/10.1016/j.engfailanal.2017.06.036.
[37] Liu F, You Z, Diab A, et al. External sulfate attack on concrete under combined effects of flexural fatigue loading and drying-wetting cycles[J]. Construction and Building Materials, 2020, 249: 118224.
https://doi.org/10.1016/j.conbuildmat.2020.118224.
[38] Ma B, Wei X, Liu C, et al. Data augmentation in microscopic images for material data mining[J]. npj Computational Materials, 2020, 6(1): 125.
https://doi.org/10.1038/s41524-020-00392-6.
[39] Zhang Y, Ling C. A strategy to apply machine learning to small datasets in materials science[J]. npj Computational Materials, 2018, 4(1): 28-33.
https://doi.org/10.1038/s41524-018-0081-z.
[40] Faber F A, Lindmaa A, Von Lilienfeld O A, et al. Machine Learning Energies of 2 Million Elpasolite(ABC2D6)Crystals[J]. Physical Review Letters, 2016, 117(13): 2-7.
https://doi.org/10.1103/PhysRevLett.117.135502.
[41] Sivakumar J, Ramamurthy K, Radhakrishnan M, et al. Synthetic sampling from small datasets: A modified mega-trend diffusion approach using k-nearest neighbors[J]. Knowledge-Based Systems, 2022, 236: 107687.
https://doi.org/10.1016/j.knosys.2021.107687.
[42] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.
[43] Lavergne F, Sab K, Sanahuja J, et al. An approximate multiscale model for aging viscoelastic materials exhibiting time-dependent Poisson' s ratio[J]. Cement and Concrete Research, 2016, 86: 42-54.
https://doi.org/10.1016/j.cemconres.2016.04.015.
[44] Pichler B, Hellmich C, Eberhardsteiner J, et al. Effect of gel-space ratio and microstructure on strength of hydrating cementitious materials: An engineering micromechanics approach[J]. Cement and Concrete Research, 2013, 45(1): 55-68.
https://doi.org/10.1016/j.cemconres.2012.10.019.
[45] Pichler C, Schmid M, Traxl R, et al. Influence of curing temperature dependent microstructure on early-age concrete strength development[J]. Cement and Concrete Research, 2017, 102: 48-59.
https://doi.org/10.1016/j.cemconres.2017.08.022.
[46] Krishnya S, Yoda Y, Elakneswaran Y. A two-stage model for the prediction of mechanical properties of cement paste[J]. Cement and Concrete Composites, 2021, 115: 103853.
https://doi.org/10.1016/j.cemconcomp.2020.103853.
[47] Nitka M, Tejchman J. A three-dimensional meso-scale approach to concrete fracture based on combined DEM with X-ray μCT images[J]. Cement and Concrete Research, 2018, 107: 11-29.
https://doi.org/10.1016/j.cemconres.2018.02.006.
[48] Jia H, Hong Y, Qiao G, et al. Quantifying the evolution of mechanical behaviours of concrete materials resting on realistic microstructural characteristics: A micro-tomacro validated combination analysis method[J]. Construction and Building Materials, 2023, 409: 133843.
https://doi.org/10.1016/j.conbuildmat.2023.133843.
[49] Velez K, Maximilien S, Damidot D, et al. Determination by nanoindentation of elastic modulus and hardness of pure constituents of Portland cement clinker[J]. Cement and Concrete Research, 2001, 31(4): 555-561.
https://doi.org/10.1016/S0008-8846(00)00505-6.
[50] Mondal P. Nanomechanical Properties of Cementitious Materials[D]. Northwestern University, 2008.
[51] Hutson M. Artificial intelligence faces reproducibility crisis[J]. Science, 2018, 359(6377): 725-726.
DOI:10.1126/science.359.6377.725
[52] Hansen C K, Whelan G F, Hochhalter J D. Interpretable machine learning for microstructure-dependent models of fatigue indicator parameters[J]. International Journal of Fatigue, 2024, 178: 108019.
https://doi.org/10.1016/j.ijfatigue.2023.108019.
[53] Fuhg J N, Fau A, Bouklas N, et al. Enhancing phenomenological yield functions with data: Challenges and opportunities[J]. European Journal of Mechanics, A/Solids, 2023, 99: 104925.
https://doi.org/10.1016/j.euromechsol.2023.104925.
[54] Raccuglia P, Elbert K C, Adler P D F, et al. Machinelearning- assisted materials discovery using failed experiments[J]. Nature, 2016, 533(7601): 73-76.
https://doi.org/10.1038/nature17439.
[55] Papadopoulos L, Bakalakos S, Nikolopoulos S, et al. A computational framework for the indirect estimation of interface thermal resistance of composite materials using XPINNs[J]. International Journal of Heat and Mass Transfer, 2023, 200: 123420.
https://doi.org/10.1016/j.ijheatmasstransfer.2022.123420
[56] Xie Y, Ma Y, Wang Y. Automatic boundary fitting framework of boundary dependent physics-informed neural network solving partial differential equation with complex boundary conditions[J]. Computer Methods in Applied Mechanics and Engineering, 2023, 414: 116139.
https://doi.org/10.1016/j.cma.2023.116139.
[57] Saal J E, Oliynyk A O, Meredig B. Machine Learning in Materials Discovery: Confirmed Predictions and Their Underlying Approaches[J]. Annual Review of Materials Research, 2020, 50(1): 49-69.
https://doi.org/10.1146/annurev-matsci-090319-010954.
[58] Jin S, Song H, Kang J, et al. Concrete crack reasoning: Explainable defect diagnosis incorporating generative Pretrained transformer 4 and multimodal nondestructive testing data[J]. Automation in Construction, 2026,(181): 106661.
https://doi.org/10.1016/j.autcon.2025.106661.
[59] Xu Z, Wang L, Wang C, et al. CFDAgent: A languageguided, zero-shot multi-agent system for complex flow simulation[J]. Physics of Fluids, 2025; 37(11): 117124.
https://doi.org/10.1063/5.0294696.
[60] Ruan K, Xu Y, Gao Z, et al. Discovering physical laws with parallel symbolic enumeration[J]. Nature Computational Science, 2025(November).
https://doi.org/10.1038/s43588-025-00904-8.
[61] Yang M, Nagarajan A, Liang B, et al. New algorithms for virtual reconstruction of heterogeneous microstructures[J]. Computer Methods in Applied Mechanics and Engineering, 2018, 338: 275-298.
https://doi.org/10.1016/j.cma.2018.04.030.
A Review of Machine-Learning-Based Prediction Methods for Mechanical Degradation of Concrete under Sulfate Attack
(1. School of Transportation Engineering, Dalian Jiaotong University, Dalian 116052, China
2. School of Civil Engineering, Harbin Institute of Technology, Harbin 150080, China)
Abstract: The deterioration of the mechanical properties of concrete under sulfate attack is a multi-stage and dynamic evolution process, in which different physicochemical reactions dominate the progressive degradation at different stages. Accurate prediction of mechanical degradation is thus essential for durability assessment. Traditional regression-based prediction methods are susceptible to overfitting when dealing with high-dimensional and heterogeneous datasets, resulting in reduced generalization capability. Numerical simulation methods, on the other hand, rely on complex assumptions and a large number of mechanical parameters, which leads to high computational cost and significant uncertainty. In engineering practice, the lack of long-term monitoring data and the kinetic discrepancies between accelerated tests and real environments further exacerbate prediction uncertainty. Machine learning enables nonlinear modeling and multivariate coupling analysis, effectively integrating micro-and macro-level parameters such as material composition and environmental conditions, thereby improving the accuracy and robustness of mechanical property prediction for sulfate-corroded concrete. This paper first reviews the corrosion mechanisms of concrete under sulfate attack, summarizes the research progress of machine-learning-based prediction methods for mechanical degradation, and identifies the major bottlenecks of existing datasets. Finally, future research directions for machine-learning prediction models are discussed.
Keywords: Concrete, sulfate attack, corrosion deterioration, mechanical properties, machine learning
Citation: JIA Hanxi, QIAO Guofu. A review of machine-learning-based prediction methods for mechanical degradation of concrete under sulfate attack[J]. Engineering Materials and Structures 2025, 4(4): 92-103.