可解释机器学习用于钢筋混凝土深梁抗剪承载力预测
发布时间:2026-10-11 | 来源:Nature Scientific Reports | 作者:Zeinab Meghdadi
钢筋混凝土(RC)深梁的抗剪承载力预测一直是混凝土结构设计中的难题。尽管基于规范的拉压杆方法被广泛接受,但其在常规设计应用中往往耗时较长,而现有的经验公式无法充分捕捉材料性能、几何特征与配筋变量之间高度非线性的相互作用。为解决这一局限,本研究提出了一种用于预测RC深梁抗剪承载力的可解释机器学习框架。从文献中汇编了包含4
钢筋混凝土(RC)深梁的抗剪承载力预测一直是混凝土结构设计中的难题。尽管基于规范的拉压杆方法被广泛接受,但其在常规设计应用中往往耗时较长,而现有的经验公式无法充分捕捉材料性能、几何特征与配筋变量之间高度非线性的相互作用。为解决这一局限,本研究提出了一种用于预测RC深梁抗剪承载力的可解释机器学习框架。从文献中汇编了包含419个试验试件的综合数据库,并开发了八种监督机器学习模型,其超参数采用Optuna框架进行优化。对比分析表明,优化后的梯度提升决策树(GBDT)模型取得了最佳预测性能,测试决定系数(R²)为0.93。开展了合成高斯输入扰动研究,以评估模型在输入逐步扰动下的数值敏感性。为解释模型的黑箱行为,采用了Shapley加性解释(SHAP)和三维偏依赖图(3D-PDPs)。所得的特征-响应规律与既有的深梁行为总体一致,尤其是混凝土抗压强度的正向效应和剪跨比的负向影响,以及关键变量之间重要的非线性相互作用。最后,开发了一个集成优化GBDT模型的用户友好图形用户界面,为实际工程应用提供快速且可解释的抗剪承载力估算。
返回资讯频道