一种基于机器学习的数字孪生框架，用于泰国北部清迈市的城市空气质量自适应管理

《Engineering Applications of Artificial Intelligence》：A machine learning–Powered digital twin framework for adaptive management of urban air quality in Chiang Mai, Northern Thailand

腐蚀后钢筋混凝土梁的力学性能预测研究通过构建包含464个样本的数据库，采用八种机器学习模型并优化超参数，发现基于粒子群优化的CatBoost模型在抗弯强度预测中R2达0.984，RMSE为3.1602，较传统设计规范精度提升27.3%；在挠度预测中R2为0.975，RMSE为0.6259，较支持向量回归模型精度提高5.4%。SHAP分析表明几何参数主导抗弯性能，而弹性刚度和梁长影响挠度。最后开发了图形用户界面实现快速评估。

　　在现代建筑领域，钢筋混凝土（RC）结构因其出色的力学性能和成本效益而被广泛应用于桥梁、建筑等工程中。然而，随着这些结构的服役时间延长，腐蚀问题逐渐显现，成为影响结构耐久性和安全性的关键因素。腐蚀不仅会削弱钢筋的截面面积，还会降低其屈服强度和与混凝土之间的粘结强度，从而导致非线性的破坏模式。这种破坏模式会进一步引发混凝土保护层的开裂和剥落，严重影响结构的整体性能和使用寿命。

面对这一挑战，传统方法如自然暴露试验、电化学加速、盐雾试验和干湿循环试验虽然能够揭示腐蚀机制和模拟环境条件，但存在诸多局限性。自然暴露试验虽然能够准确反映复杂气候下的腐蚀情况，但其耗时长、成本高且受到不可控环境变量的影响。而电化学加速试验虽然可以缩短试验周期，但电流分布不均可能导致与自然腐蚀不同的膨胀模式。盐雾试验适用于高盐分海洋环境下的标准化腐蚀评估，但无法再现多因素耦合的腐蚀效应。干湿循环试验则需要精确控制温度和湿度，且试验周期较长，限制了其应用范围。

因此，迫切需要开发更高效的方法，以准确预测腐蚀钢筋混凝土梁的承载性能，并解决氯盐环境下承载能力的下降问题。近年来，数据驱动方法在结构性能预测和复杂因素影响评估方面展现出显著优势。这些方法通过算法模型捕捉钢筋混凝土梁的力学响应（如挠度和应力分布）与影响因素之间的复杂非线性关系，从而突破传统力学模型的假设限制。在实际应用中，机器学习（ML）方法主要用于承载性能预测模型（如腐蚀钢筋混凝土梁的抗弯和抗剪性能预测模型）和智能裂缝识别模型。这些模型通常基于集成学习或神经网络，以非线性方式映射腐蚀率、截面几何和材料强度等特征到承载能力，并通过SHAP等方法分析特征贡献，输出预测结果并验证模型的泛化能力。

在当前的研究背景下，传统力学模型受到平面截面假设的限制，无法准确描述腐蚀对有效承载能力的非线性负面影响。同时，现有的机器学习模型缺乏系统的超参数优化策略，导致预测精度和泛化能力不足。为弥补这些不足，本文系统探讨了多种机器学习模型在预测腐蚀钢筋混凝土梁性能中的应用。首先，介绍了数据库的建立与分析过程，随后详细描述了所采用的机器学习模型及其超参数优化方法。此外，通过严格的评估指标对模型性能进行了评估，并对预测结果和参数相关性进行了深入分析，以揭示影响梁抗弯强度和挠度的关键物理机制。

为了确保实验数据库的可靠性和一致性，数据库的构建遵循了以下标准：所有试件均为常规的双筋钢筋混凝土梁，排除了使用复合材料、再生材料或钢管增强的结构，以保证研究对象的同质性。这一做法有助于减少材料差异或增强方法对研究结果的影响。同时，所有梁均受到单调加载，以确保实验条件的统一性。在数据库的建立过程中，收集了464个样本，包括12个输入参数和2个输出参数，随后对输入参数进行了相关性分析。通过这一分析，可以识别出哪些参数对承载性能具有更显著的影响，为后续模型训练和优化提供依据。

在模型训练阶段，本文对八种机器学习模型进行了训练，并利用贝叶斯优化（BO）对模型的超参数进行了优化，以提高预测精度。经过优化后，CatBoost模型被证明是最准确的模型。为了进一步提升其性能，本文还采用粒子群优化（PSO）和遗传算法（GA）对CatBoost模型的超参数进行了优化。结果显示，PSO优化后的CatBoost模型在抗弯强度测试集上取得了目前最高的预测精度：决定系数（R2）为0.984，均方根误差（RMSE）为3.1602；在挠度测试集上，R2为0.975，RMSE为0.6259。这些结果表明，相较于传统设计规范，PSO优化后的CatBoost模型在抗弯强度测试集上的R2提高了27.3%，RMSE降低了72.8%；相较于传统的支持向量回归（SVR）模型，R2提高了5.4%，RMSE降低了43.5%。这充分说明了机器学习方法在预测腐蚀钢筋混凝土梁承载性能方面的巨大潜力。

在机器学习模型的可解释性分析中，SHAP（Shapley Additive Explanations）方法被用于解释模型预测结果。SHAP方法基于合作博弈论中的Shapley值理论，能够量化每个特征对模型预测的贡献。通过计算SHAP值，该方法可以评估特征在全局（整个数据集）和局部（单个样本）层面的重要性。在本研究中，SHAP方法被应用于优化后的CatBoost模型，揭示了影响抗弯强度和挠度的关键参数。例如，几何参数（梁高、梁宽）对抗弯强度具有主导作用，而弹性刚度和梁长则对挠度产生更大的影响。这些发现为理解腐蚀对结构性能的影响提供了新的视角，有助于在工程实践中更精准地评估结构的承载能力。

此外，本文还开发了一个用户友好的图形用户界面（GUI），以便快速评估腐蚀钢筋混凝土梁的力学性能。该界面能够集成机器学习模型的预测结果，提供直观的数据展示和分析功能，便于工程师和研究人员在实际应用中快速获取关键信息。通过这一工具，可以显著提高结构评估的效率和准确性，为结构维护和加固提供科学依据。

为了进一步验证模型的性能，本文还对现有设计方法的适用性进行了分析。通过比较GB50010-2010规范中的公式和经验模型与机器学习模型，研究结果表明传统公式在抗弯强度测试集上的R2为0.773，RMSE为11.651，通常高估了实验值。虽然传统公式能够捕捉影响RC梁抗弯能力的主要机制，但无法准确描述腐蚀对有效承载能力的非线性负面影响。因此，引入机器学习方法能够更全面地反映腐蚀对结构性能的影响，提高预测的准确性和可靠性。

在模型的可解释性分析中，SHAP方法被用于揭示模型预测结果背后的物理机制。通过SHAP分析，可以识别出哪些输入参数对输出结果（如抗弯强度和挠度）具有更大的影响。例如，几何参数（梁高、梁宽）在抗弯强度预测中占据主导地位，而弹性刚度和梁长则对挠度的预测具有更大的影响。这一发现有助于工程师在设计和评估过程中，更加关注那些对结构性能具有决定性作用的参数，从而优化结构设计和维护策略。

尽管本文取得了显著的成果，但仍然存在一些局限性。首先，研究数据主要来源于简支梁的单调加载试验，未涵盖复杂的加载条件或多因素耦合的腐蚀场景。其次，非均匀腐蚀对局部损伤的影响机制尚未得到充分阐述。未来的研究可以扩展数据库，包括疲劳-腐蚀耦合条件，引入腐蚀形态参数（如点蚀深度）以提高模型的精细度，并开发更先进的预测方法。此外，还可以探索其他机器学习模型在不同应用场景中的表现，以进一步提升预测精度和泛化能力。

综上所述，本文通过建立多特征数据库、评估机器学习模型性能、利用超参数优化和可解释性分析揭示了影响腐蚀钢筋混凝土梁承载性能的关键因素。研究结果表明，PSO优化后的CatBoost模型在预测抗弯强度和挠度方面具有显著优势，能够提供更准确和可靠的评估结果。这些成果为结构耐久性评估和维护提供了新的思路和技术手段，有助于提升结构的安全性和可靠性。同时，本文所开发的用户友好的图形用户界面也为工程实践中的快速评估提供了便利，具有广泛的应用前景。未来的研究应进一步拓展数据来源，引入更多影响因素，并探索更先进的模型优化方法，以提高预测的准确性和适用性。