基于物理信息的深度神经网络模拟混凝土中氯离子的扩散

氯离子在混凝土中的扩散是一个复杂的化学物理过程，对混凝土腐蚀起始时间的预测具有重要意义。但考虑到混凝土的非线性氯离子结合能力，模拟氯离子扩散的方程是有限的。本研究提出了一种基于物理信息的深度神经网络来模拟氯离子在混凝土中的扩散机制并预测氯离子浓度的分布。物理定律被制定为一个损失项，以指导训练过程，并减少模型训练所需的数据。然后将物理约束损失(基于控制方程和边界条件)和训练损失(基于神经网络)融合产生损失函数。首先用不同的实验案例验证了所提出的模型，然后将模型与数值应用和纯数据驱动的方法进行了比较。结果表明，该模型能够有效地模拟氯离子的输运行为，预测混凝土的扩散系数，具有较高的精度。将该方法应用于混凝土样品中氯化物浓度的时间和空间域，显示了其作为研究混凝土性能的有力工具的潜力。

氯离子侵入混凝土是一个复杂的过程，涉及多个机制，如扩散、渗透、氯化物结合、对流和电迁移（Chidiac和Shafikhani, 2019, 2020；Yuan等, 2022a）。在这些机制中，氯离子扩散是将氯离子移动到混凝土中的主要驱动力（Zheng等, 2015；Liu等, 2022）。人们普遍认为，理解混凝土中的氯离子传输行为对于预测腐蚀的初始时间至关重要（Choi等, 2017；Golafshani等, 2022）。在实际中，氯离子通过扩散或毛细管吸收进入混凝土，从而破坏混凝土的微观结构。因此，提高混凝土的抗氯渗透性是增强其耐久性和使用寿命的关键因素。

近年来，已有研究模拟了混凝土中的氯离子扩散（Jin等, 2022；Yu和Lin, 2020；Wang等, 2021a；Zhang等, 2021）。例如，Isteita和Xi（2017）提出了一种模型来捕捉在不同复杂暴露条件下的氯离子传