engleski

Neural Network for Predicting Rebar Corrosion in Marine Environment

Korozija armature u betonu izazvana kloridnim ionima je ajopasnija i najmasovniji oblik razaranja, te čini oko 50 % svih oštećenja armiranobetonskih konstrukcija. Betoni s velikim gradijentom koncentracija kloridnih iona su podložni brzoj makroćelijskoj koroziji, posebno ako su izloženi ciklusima močenja i sušenja (zona plime i oseke i zapljuskivanja morem). Ostale veličine koje utječu na brzinu i stupanj korozije su dostupnost kisika i vlage, udaljenost od površine mora, mikroklima, heterogenost betona i čelika, pH otopine u porama betona, karbonatizacija cementnog kamena, pukotine u betonu, debljina zaštitnog sloja betona iznad armature i omjeri sastojaka u mješavini betona. Tijekom istraživanja prikupljeni je veliki broj podataka o utjecajnim veličinama, a na pojedinim građevinama snimljena su i kategorizirana rezultirajuća oštećenja. Međutim, nije uspostavljena niti analitička niti iskustvena veza između utjecajnih veličina i pojedinih kategorija oštećenja. Postoje modeli koji opisuju pojedine faze (penetracija kloridnih iona, propagacija korozije i razaranje armature i betona) u kompleksnom procesu korozije čelika i razaranja zaštitnog sloja izazvanih kloridnim ionima. U ovome radu prikazuju se rezultati analiza provedene primjenom živčevne mreže na podacima o utjecajnim veličinama i kategorijama oštećenja prikupljenim na dva velika armiranobetonska mosta locirana u maritimnim uvjetima Jadranskog mora. Mostovi su izvedeni upotrebom dvije različite kvalitete betona, pri čemu su podaci prikupljeni za tri različite starosti mostova. Uspostavljena je korelacijska veza između utjecajnih veličina i kategorija oštećenja. Iz dobivenog modela proizlaze važni zaključci za projektiranje i obnovu armiranobetonskih konstrukcija u maritimnim uvjetima.

Chloride corrosion; Durability; Damage categorization; Marine environment; Simulation; Classification neural network

nije evidentirano