Influence of Bayesian Network Structure on Corrosion Risk Assessment of Steel Reinforcement in Concrete

openaccess, Vol. 636 (8) 2025 / czwartek, 28 sierpnia, 2025

Wpływ struktury sieci bayesowskich na ocenę zagrożenia korozją stalowego zbrojenia w betonie

(Open Access)

DOI: 10.15199/33.2025.08.01

citation/cytuj: Jaśniok M. Influence of Bayesian Network Structure on Corrosion Risk Assessment of Steel Reinforcement in Concrete. Materiały Budowlane. 2025. Volume 636. Issue 08. Pages 1-10. DOI: 10.15199/33.2025.08.01

Four Bayesian network models (SB‑1, SB‑2a, SB‑2b, SB‑2c) for assessing reinforcement corrosion probability in concrete were compared. Seven corrosion parameters were considered: potential; resistivity; chlorides; pH; corrosion current; charge transfer resistance; cracking. Monte Carlo simulations for three threat scenarios (low, medium, high) demonstrated the superiority of model SB‑2c – highest accuracy and flexibility. Model SB‑2c was identified as optimal for corrosion diagnostics of reinforced concrete.

Porównano cztery modele sieci bayesowskich (SB‑1, SB‑2a, SB‑2b, SB‑2c) oceniające prawdopodobieństwo korozji zbrojenia w betonie. Uwzględniono siedem parametrów korozyjnych: potencjał; rezystywność; chlorki; pH; prąd korozyjny; opór przeniesienia ładunku; zarysowanie. Symulacje Monte Carlo dotyczące trzech scenariuszy zagrożenia (niskie, średnie, wysokie) wykazały przewagę modelu SB‑2c – największą dokładność i elastyczność. Wskazano model SB‑2c jako optymalny w diagnostyce korozyjnej żelbetu.
concrete structures; corrosion of reinforcement; diagnostics; criteria for assessing corrosion in reinforced concrete; Bayesian networks.

konstrukcje betonowe; korozja zbrojenia; diagnostyka; kryteria oceny korozji w żelbecie; sieci bayesowskie.
  1. Olbryś J. „Sieć bayesowska jako narzędzie pozyskiwania wiedzy z ekonomicznej bazy danych”, in Zeszyty Naukowe Politechniki Białostockiej – Informatyka, 2007, Zeszyt 2, pp. 93–108.
  2. Pearl J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1988.
  3.  Bednarski M. Metody doskonalenia sieci bayesowskich stosowanych w diagnostycznych systemach doradczych. Gliwice: Wydawnictwo Politechniki Śląskiej, 2006. [Online]. Available: https://kpkm.polsl.pl
  4. Straub D. “Efficient Algorithms and Models for Bayesian Updating in Structural Reliabilty”, in Proceedings of the 5th Asian‑Pacific Symposium on Structural Reliability and its Applications, Singapore: Research Publishing Services, 2012, pp. 77–87. DOI: 10.3850/978‒981‒07‒2219‒7_P282.
  5. Štraub D, Papaioannou I. „Bayesian Updating with Structural Reliability Methods”, Journal of Engineering Mechanics‑asce, vol. 141, p. 4014134, 2015, [Online]. Available: https://api.semanticscholar.org/CorpusID: 53456874
  6.  Bin Huang H, Zhang W, Sun ZG, Wang DS. „Development of probabilistic FRP‑to‑concrete bond strength models for externally‑bonded reinforcement on grooves: Bayesian approach”, Constr Build Mater, vol. 350, Oct. 2022, DOI: 10.1016/j.conbuildmat.2022.128857.
  7.  Li Q et al., ‘A state‑of‑the‑art review on monitoring technology and characterization of reinforcement corrosion in concrete’, Case Studies in Construction Materials, vol. 22, Jul. 2025, DOI: 10.1016/j.cscm.2025.e04780.
  8.  Yu B, Liu J, Chen Z. „Probabilistic evaluation method for corrosion risk of steel reinforcement based on concrete resistivity”, Constr Build Mater, vol. 138, pp. 101–113, May 2017, DOI: 10.1016/j.conbuildmat.2017.01.100.
  9.  Imounga HM, Bastidas‑Arteaga E, Pitti RM, Ango SE, Wang XH. ‘Bayesian assessment of the effects of cyclic loads on the chloride ingress process into reinforced concrete’, Applied Sciences (Switzerland), vol. 10, no. 6, Mar. 2020, DOI: 10.3390/app10062040.
  10.  Zybura A, Jaśniok M, Jaśniok T. Diagnostyka konstrukcji żelbetowych. Warszawa, 2011. Accessed: Apr. 11, 2015. [Online]. Available: https://scholar. google.com/scholar? cluster=17654564798251587624&hl=en&oi=scholarr#0
  11.  Jaśniok M. Elektrochemiczna spektroskopia impedancyjna w diagnostyce konstrukcji betonowych i stalowych. Gliwice: Wydawnictwo Politechniki Śląskiej, 2022.
  12. Rubinstein RY, Kroese DP. Simulation and the Monte Carlo Method. Wiley, 2016. DOI: 10.1002/9781118631980.
  13. Robert CP, Casella G. Monte Carlo Statistical Methods. New York, NY: Springer New York, 2004. DOI: 10.1007/978‒1‑4757‒ 4145‒2.
  14.  Ballio F, Guadagnini A. „Convergence assessment of numerical Monte Carlo simulations in groundwater hydrology”, Water Resour Res, vol. 40, no. 4, Apr. 2004, DOI: 10.1029/2003WR002876.
prof. dr. hab. inż. Mariusz Jaśniok, Politechnika Śląska, Wydział Budownictwa
ORCID: 0000-0002-7628-0710

prof. dr. hab. inż. Mariusz Jaśniok, Politechnika Śląska, Wydział Budownictwa
ORCID: 0000-0002-7628-0710

Correspondence address: mariusz.jasniok@polsl.pl

Full paper:

DOI: 10.15199/33.2025.08.01

Article in PDF file

Received: 10.03.2025 / Artykuł wpłynął do redakcji: 10.03.2025 r.
Revised: 20.05.2025 / Otrzymano poprawiony po recenzjach: 20.05.2025 r.
Published: 21.08.2025 / Opublikowano: 21.08.2025 r.