Nguyên nhân gây ăn mòn cốt thép

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT CỦA NGHIÊN CỨU

2.3. Lý thuyết ăn mòn cốt thép trong bê tông

2.3.4. Nguyên nhân gây ăn mòn cốt thép

Lớp bê tông bảo vệ cốt thép không đặc chắc, độ rỗng cao nước dể dàng xâm nhập vào trong tạo ra môi trường dẫn điện gây nên hiện tượng ăn mịn điện hóa.

0

t2 t1

34 Độ đặc chắc của lớp bê tông bảo vệ ảnh hưởng đáng kế đến q trình ăn mịn cốt thép, thành phần xi măng cũng là yếu tố tác động đến sự ăn mòn cốt thép.

Chiều dày lớp bê tơng bảo vệ cũng ảnh hưởng đến ăn mịn cốt thép, lớp bê tơng bảo vệ càng dày thì thời gian ăn mịn cốt thép càng chậm và ngược lại.

Trong môi trường ẩm ướt, bê tông và cốt thép tiếp xúc trực tiếp với nước nên quá trình ăn mịn cốt thép xảy ra nhanh hơn do q trình rửa trơi kiềm làm giảm độ pH trong bê tông .

2.3.5. Mơ hình ăn mịn cốt thép

Ăn mòn của cốt thép và sự biến dạng của bê tơng xung quanh nó có mối quan hệ với nhau. Mơ hình ăn mịn trong trong nghiên cứu này là mơ hình ăn mịn ở mức cục bộ.

2.3.5.1. Giảm đường kính cốt thép

Cốt thép bị ăn mịn chính là sự giảm diện tích mặt cắt ngang của cốt thép. Sự giảm lực kéo hoặc nén bởi một thanh thép đơn tỷ lệ thuận với sự giảm diện tích mặt cắt ngang. Ký hiệu 0 là đường kính cốt thép ban đầu, R là đường kính cốt thép cịn lại do bị ăn mịn, ta có quan hệ:

ϕR = ϕ0− αx (2.28)

Trong đó x là chiều sâu ăn mịn và  là hệ số phụ thuộc vào dạng ăn mòn. Giá trị chung của  là 2 như trên hình (Hình 2.17 a).

Trường hợp ăn mịn cục bộ, mặt cắt ngang có dạng bất kỳ và sự suy giảm mặt cắt ngang lớn hơn đáng kể so với ăn mịn đều. Cơng thức (2.28) có thể sử dụng để xác định sự suy giảm mặt cắt ngang của thanh thép do ăn mòn cục bộ bằng mặt cắt tròn tương đương với đường kính R như (Hình 2.17 b).

 R  R  0 x x x a)

35

Hình 2.17 Mặt cắt ngang còn lại của thép [15]

Việc đo đạc thực tế đường kính thanh thép bị ăn mòn còn lại R trên kết cấu

thường chỉ có số lượng giới hạn. Các vị trí cốt thép thường được lựa chọn kiểm tra là các khu vực bị hư hỏng nặng nề nhất do ăn mòn hoặc tại các mặt cắt quan trọng của kết cấu.

2.3.5.2. Nứt bê tông do giãn nở thể tích [15]

Nứt vỡ lớp bê tơng bảo vệ ngun nhân chính là sự giãn nở thể tích của thanh thép bị ăn mòn tạo ra vành đai biến dạng kéo xung quanh thanh thép. Diện tích tiết diện thanh thép giảm từ 2% đến 4% tùy thuộc vào đường kính cốt thép.

Vết nứt của lớp bê tơng bảo vệ do ăn mịn cốt thép có ảnh hưởng tới kết cấu theo nhiều cách, đặc biệt là làm suy giảm sự bám dính giữa bê tơng và cốt thép do vết nứt dọc gây ra. Sự suy giảm độ cứng của dầm bị ăn mòn là do sự tương tác của việc giảm mặt cắt thanh thép và giảm lực bám dính, độ cứng bị suy giảm dẫn đến tăng chuyển vị.

Hình 2.18 Hình ảnh ăn mịn cốt thép dàn van cống sau 22 năm - Nam Định [20]

2.4. Các biện pháp chống ăn mịn bê tơng cốt thép

2.4.1. Chống ăn mịn bê tơng

Thay đổi thành phần khoáng của xi măng:

 Giảm các khoáng C3A, C3S trong thành phần xi măng, trong q trình thủy

hóa tạo ra các thành phần Ca(OH)2 và C3AH6 làm giảm q trình ăn mịn bê tơng.

 Nhược điểm: làm thay đổi tính chất chung của xi măng làm ảnh hưởng tính

36

Nâng cao độ đặc chắc của bê tông:

 Sử dụng các sản phẩm phụ gia, hố chất có sẵn và các biện pháp thi cơng

chất lượng nhằm tăng độ đặc chắc của bê tơng, giảm bớt độ rỗng hạn chế q trình thẩm thấu và xâm nhập của các tác nhân ăn mịn từ bên ngồi vào bê tơng. Từ đó tăng được tuổi thọ và thời gian sử dụng cho cơng trình.

 Nhược điểm: cần phải kết hợp chặt chẽ với thành phần cấp phối bê tông và

phụ thuộc vào cấu kiện cần đổ bê tông, hàm lượng thép trong cấu kiện đó để đảm bảo bê tơng được lấp đầy vào cấu kiện tránh hiện tượng cấu kiện bị rỗng, rỗ mặt.

Biến đổi sản phẩm thủy hóa:

 Sử dụng các phụ gia khống hoạt tính như puzolan, xỉ hạt lò cao nghiền mịn

và các thải phẩm công nghiệp khác làm phụ gia trong bê tơng từ đó làm tăng khả năng chống ăn mịn bê tơng.

 Nhược điểm: làm giảm độ pH trong bê tông phá hoại lớp bảo vệ thụ động

xung quanh cốt thép.

Ngăn cách bê tông với môi trường:

 Sơn mặt ngồi bảo vệ bê tơng, qt sơn chống thấm chống lại mơi trường

ăn mịn là chất lỏng, qt mặt ngồi bê tơng một lớp nhủ tương, hoặc trát một lớp vữa xi măng dày để bảo vệ bê tông.

 Nhược điểm: hiệu quả không cao, khơng phù hợp với một số cơng trình.

2.4.2. Chống ăn mịn cốt thép

Dùng cốt thép khơng gỉ, thép hợp kim thấp. Nhược điểm, làm cho giá thành cơng trình cao, chất lượng kết cấu bê tơng có cốt thép giảm.

Mạ cốt thép có tác dụng chống ăn mịn. Sơn bảo vệ cốt thép. Nhược điểm, sơn phủ bảo vệ cốt thép ảnh hưởng khả năng bám dính của bê tông và cốt thép, thi công tốn nhiều thời gian.

Ức chế ăn mòn cốt thép: sử dụng chất ức chế ăn mòn làm giảm ăn mòn cốt thép, và trộn cùng vào bê tơng để chống ăn mịn cốt thép. Nhược điểm, cần công nghệ chế tạo cao, tiêu chuẩn kỹ thuật phức tạp.

37 Phương pháp bảo vệ catôt: bảo vệ catôt là phân cực catôt một bề mặt kim loại bi ăn mòn đề làm giảm tốc độ ăn mịn, duy trì màng bảo vệ thụ động, dòng điện bảo vệ catơt cịn làm cho ion Cl- đi ra xa bề mặt cốt thép. Nhược điểm: khó áp dụng ngồi thực tế.

2.5. Lý thuyết về các mơ hình dự đốn dầm BTCT ăn mịn

2.5.1. Khai phá dữ liệu (KPDL - Data Mining)

Khai phá dữ liệu (KPDL) được ra đời vào cuối thập kỷ 80. Nhằm phát hiện ra các thơng tin có giá trị tiềm ẩn trong các tập dữ liệu lớn. Khai phá dữ liệu liên quan đến việc phân tích và sử dụng các kỹ thuật, cơng cụ để tìm ra các đặc điểm mẫu trong tập dữ liệu [45, 46].

Hình 2.19 Quá trình khai phá dữ liệu [45]

Các giải thuật KPDL được mơ tả bằng những chương trình hoạt động trực tiếp trên tệp dữ liệu. Quá trình xử lý KPDL (Hình 2.19) gồm các bước sau.

 Bước 1: Bắt đầu bằng cách xác định vấn đề cần giải quyết.

 Bước 2: Sau đó sẽ xác định các dữ liệu liên quan dùng để xây dựng giải pháp.  Bước 3: Là thu thập các dữ liệu có liên quan và xử lý chúng thành dạng sao

cho giải thuật KPDL có thể hiểu được.

 Bước 4: Chọn thuật tốn KPDL thích hợp và thực hiện việc KPDL để tìm

được các mẫu có ý nghĩa dưới dạng biểu diễn tương ứng với các ý nghĩa đó.

Đặc điểm của mẫu phải là. Độ mới có thể được đo tương ứng với độ thay đổi trong dữ liệu (bằng cách so sánh các giá trị hiện tại với các giá trị trước đó hoặc các giá trị mong muốn), hoặc bằng tri thức (mối liên hệ giữa phương pháp tìm mới và phương pháp cũ như thế nào).

38 Kỹ thuật KPDL thực chất là sự kế thừa, kết hợp và mở rộng của các kỹ thuật cơ bản đã được nghiên cứu từ trước như máy học, nhận dạng, thống kê (hồi quy, xếp loại, phân cụm), các mơ hình đồ thị, trí tuệ nhân tạo, v.v…

Có thể hiểu, KPDL là một q trình tìm kiếm, phát hiện các tri thức mới được tiềm ẩn ở trong các cơ sở dữ liệu lớn. Khai phá tri thức là mục tiêu quan trọng của KPDL. Cụ thể KPDL là một bước chính trong q trình khai phá tri thức [46].

2.5.2. Trí tuệ nhân tạo (AI - Artificial Intelligence)

2.5.2.1. Mạng nơ ron nhân tạo (ANN - Artificial Neural Network)

Mạng nơ ron nhân tạo (ANN) là các mơ hình tốn học hoặc tính tốn được phát triển dựa theo hệ thống thần kinh trung ương của con người (đó là não) có khả năng học cũng như nhận dạng mẫu. Mạng lưới thần kinh nhân tạo thường được trình bày dưới dạng các hệ thống các nơ ron thần kinh liên kết với nhau có thể tính tốn dự đốn các giá trị từ các đầu vào [47]

Hình 2.20 Mạng thần kinh đơn giản [47]

Trong Hình 2.20, mỗi nút trịn đại diện cho một nơron nhân tạo và mũi tên đại diện cho kết nối từ đầu ra của một nơron đến đầu vào của một nơron khác. Cấu trúc của hệ thống nơ ron gồm có 3 phân lớp: lớp đầu vào (input), lớp ẩn (hidden) và lớp đầu ra (output). Lớp đầu vào là lớp có kết nối với dữ liệu bên ngồi. Lớp ẩn khơng có kết nối với dữ liệu, lớp này chỉ kết nối với lớp đầu vào và lớp đầu ra thông qua một số tiêu chí của mạng. Lớp đầu ra sẽ cung cấp kết quả của mạng ANN sau khi dữ liệu đầu vào được mạng xử lý.

39 Cảm hứng cho nền tảng, phát triển và ứng dụng mạng lưới thần kinh nhân tạo đã đến ra khỏi nỗ lực tìm hiểu cơng việc của bộ não con người và từ khát vọng tạo ra một hệ thống thông minh nhân tạo của hệ thống thơng minh nhân tạo để tính tốn và xử lý dữ liệu điển hình cho bộ não con người. Các mạng lưới thần kinh nhân tạo thường là một tính tốn và dự đốn tốt hơn phương pháp so với phương pháp tính tốn cổ điển và truyền thống [47,48,49]. Các nghiên cứu được thực hiện trên khắp thế giới cho thấy các mạng lưới thần kinh có một thành cơng xuất sắc trong việc dự đốn chuỗi dữ liệu và đó là lý do tại sao chúng có thể được sử dụng để tạo ra các mơ hình tiên lượng có thể giải quyết các vấn đề khác nhau và nhiệm vụ [47-49].

Kỹ thuật này đã thu hút sự quan tâm của hầu hết các nhà nghiên cứu và ngày nay đã trở thành một điều thiết yếu một phần của ngành công nghệ, cung cấp một nền tảng tốt để giải quyết nhiều khó khăn nhất vấn đề dự đốn trong các lĩnh vực khác nhau của các ứng dụng kỹ thuật [50, 51]. ANN cũng đã đạt được rất phổ biến trong việc giải quyết các vấn đề Kỹ thuật Xây dựng khác nhau [48, 51, 52].

Mạng nơ-ron đa lớp trong nghiên cứu này, lớp đầu tiên là tập hợp các nút dữ liệu đầu vào của dầm bê tơng cốt thép bị ăn mịn, sẽ có một hay nhiều lớp ẩn chứa các nút tính tốn và một lớp đầu ra chứa một nút biểu thị moment giới hạn của dầm. Thuật toán máy học được sử dụng rộng rãi và hiệu quả nhất để huấn luyện mạng thần kinh đa lớp là thuật toán lan truyền ngược. Ngưỡng kích hoạt của từng nơ-ron trong lớp ẩn được tính như sau:

netk w okj j và yk f (net )k (2.29)

trong đó netk là ngưỡng kích hoạt của nơ-ron thứ k; j là tập các nơ-ron ở lớp trước; wkj là trọng số kết nối giữa nơ-ron k và nơ-ron j; oj là đầu ra của nơ-ron j, và yk là hàm truyền.

f (net )k 1 net 1 e 

 (2.30)

Công thức huấn luyện và trọng số cập nhật wkj trong từng chu kỳ t là

w (t) w (t 1)kj  kj   w (t)kj (2.31)

40

w (t)kj  pj pjo  w (t 1)kj  (2.32)

trong đó η là tham số tốc độ huấn luyện; δpj là sai số lan truyền; opj là kết quả đầu ra của nơ-ron j cho lần thứ p; α là tham số khuếch đại, và wkj(t − 1) là giá trị thay đổi cho wkj trong chu kỳ trước.

2.5.2.2. Thuật toán support vector machine (SVM - Support Vector Machine)

SVM được công nhận là một trong những phương pháp mạnh và chính xác nhất trong số các thuật tốn nổi tiếng về phân lớp dữ liệu. Vì có tính tổng quát cao, nên SVM được áp dụng cho nhiều loại bài toán nhận dạng và phân loại như trong nhận dạng hình ảnh, cũng như dự báo [53].

Giả sử một số điểm dữ liệu đã cho, mỗi điểm thuộc về một trong hai lớp và mục tiêu là quyết định điểm dữ liệu mới sẽ thuộc lớp nào. Trong trường hợp máy vectơ hỗ trợ, điểm dữ liệu được xem dưới dạng vectơ p chiều (a danh sách các số p) và chúng ta muốn biết liệu chúng ta có thể tách các điểm đó bằng một siêu phẳng (p-1) không. Đây được gọi là phân loại tuyến tính. Hình 2.21 minh họa việc sử dụng máy vectơ để phân loại.

Hình 2.21 Máy vectơ cho việc phân loại [54]

Vapnik [55] là người đầu tiên giới thiệu máy hỗ trợ véc tơ. Các máy hỗ trợ véc tơ được tạo bởi các hàm ánh xạ đầu vào – đầu ra từ một tập dữ liệu. Hàm này giải quyết cả vấn đề phân loại lẫn hồi quy. Thơng thường, mơ hình hồi quy sử dụng hồi quy hỗ trợ véc tơ epsilon [56] để tìm một hàm f(x) có độ lệch ε tối đa được thu thập

41 từ các dữ liệu đầu ra yi. Trong máy hỗ trợ véc tơ hồi quy, đầu vào đầu tiên được ánh xạ vào một vùng đặc tính khơng gian n chiều bằng cách sử dụng hàm phi tuyến như sau:

f (x, )    ,x b với  ,b (2.33)

Chất lượng của hàm f(x) có thể được ước tính dựa trên tổn thất của hàm L(x) như sau:   0 if y f (x, ) L y,f (x, ) y f (x, )               (2.34)

Đặc tính mới nhất của hỗ trợ véc tơ hồi quy là sử dụng tổn thất khơng nhạy cảm ε để tính tốn hàm hồi quy tuyến tính cho khơng gian đặc tính cao hơn đồng thời giảm độ phức tạp của mơ hình bằng cách giảm thiểu ||ω||2. Hàm này được đưa ra bằng cách lấy tổng không âm của các hàm ξi và ξi*, trong đó i = 1, . . . , n được sử dụng để xác định các mẫu huấn luyện từ vùng khơng nhạy cảm ε. Do đó, hỗ trợ véc tơ hồi quy có thể được coi là một phiên bản thu nhỏ của hàm sau:

      * i i i n 2 * * i i i i i i 1 * i i y f x 1 min C ; f x y 2 , 0,i 1,...,n                               (2.35)

trong đó hằng số C ≥ 0 xác định sự cân bằng giữa độ phẳng của f(x, ω) và dung sai cho độ lệch lớn hơn so với ε.

2.5.2.3. Mơ hình cây quyết định (CART - Classification and Regression Trees)

Cây phân loại và hồi quy là một phương pháp cây quyết định để xây dựng cây phân loại và cây hồi quy theo loại biến phụ thuộc của nó, vừa có thể theo kiểu phân loại hoặc kiểu số [57]. Với các trường dự đốn như nhau có thể sử dụng nhiều lần ở các cấp cây khác nhau. Phương pháp cây quyết định vượt trội hơn các mơ hình kỹ thuật khác khi áp dụng các vấn đề có tính logic cao [58].

Tùy thuộc vào trường mục tiêu, ba biện pháp đo lường có thể được sử dụng để xác định vị trí phân chia cho các mơ hình cây phân loại và hồi quy. Chẳng hạn như, biến Gini thường được dùng cho trường mục tiêu tượng trưng trong khi phương pháp

42 độ lệch bình phương nhỏ nhất sẽ tự động chọn các mục tiêu liên tục mà khơng giải thích được chúng. Chỉ số Gini g(t) tại một nút t trong mơ hình cây quyết định, được xác định theo phương trình sau:

j i

g(t) p( | )j t p i t( | ) 

 (2.36)

trong đó i và j là các loại trường mục tiêu

j j j ( j)N (t) p( j, t) p( | ) ; p( j, t) ; p(t) p( j, t) p(t) j N t     (2.37)

trong đó p(j) là giá trị xác suất trước cho loại j; Nj(t) là số lượng mẫu trong loại j của nút t, và Nj là số lượng mẫu của loại j của nút gốc. Khi chỉ số Gini được sử dụng để cải thiện sau quá trình phân tách trong quá trình cây phát triển, chỉ các mẫu trong nút và nút gốc với giá trị hợp lệ cho bộ dự đoán phân tách được sử dụng để tính Nj(t) và Nj.

2.5.2.4. Mơ hình hồi quy tuyến tính (LR - Linear regression)

Hồi quy tuyến tính đa biến dùng xác định mối quan hệ giữa hai hoặc nhiều biến đồng thời là một phần mở rộng của hồi quy đơn giản. Cơng thức chung mơ hình:

o n i i i 1 Y          (2.38) Với Y là moment giới hạn của dầm bị ăn mòn [M]; β0 là hằng số; βi là hệ số hồi