综述：结构工程中先进的人工智能技术：应用与前景综述

《Results in Engineering》：State-of-the-Art Artificial Intelligence Techniques in Structural Engineering: A Review of Applications and Prospects

本文系统综述了2020-2024年间结构工程领域100项AI集成研究，重点分析混凝土、钢及复合材料结构在火灾、抗震等场景中的应用。研究表明，神经网络、树算法和梯度提升等AI方法在预测结构性能（R2>0.80）、识别关键参数（如水灰比、几何尺寸）方面表现优异，优化混合模型准确度达0.90。新兴应用涵盖BRB加固、减震器设计及生命周期评估，但存在数据异构性、验证不足等局限，未来需加强多源数据融合与工程实践验证。

　　人工智能（AI）在现代技术发展中扮演着关键角色，其应用范围广泛，包括土木工程。结构工程作为土木工程的一个子领域，需要在最终施工阶段和回收过程中评估不同结构构件的适用性。传统上，这种评估依赖于实验室实验和高度复杂的数值模拟，但这些方法往往由于空间和时间限制、设备复杂性和高成本而难以实施。为了解决这些挑战，全球研究人员开发了基于AI的解决方案，用于结构损伤检测、失效载荷和模式预测等应用。这些解决方案的预测准确性与实验和数值分析相当。本文回顾了2020年至2024年间进行的100项AI集成研究，重点研究混凝土、钢材和复合结构，特别是建筑框架。研究总结了常用AI算法的性能基准，如神经网络、遗传算法、树算法和提升方法，报告了准确度超过0.80（满分1.00）的结果，并突出了优化和混合AI方法的平均准确度达到0.90。此外，本文还探讨了AI在新兴应用中的潜力，包括加固技术、屈曲限制阻尼器、阻尼器、柱-梁连接和生命周期评估（LCA）。关键分析指出了近期AI研究的主要局限，尤其是区域性实施的案例，并提出了克服现有挑战的新解决方案。

人工智能的概念最早由一组科学家在1956年于达特茅斯学院的会议上提出，旨在开发能够推理和展现人类智能的智能系统。随着美国国防高级研究计划局（DARPA）自1962年起的资金支持，AI的兴趣和增长迅速发展。然而，1970年至1980年间，由于高性能计算资源的限制，AI研究停滞不前，DARPA资金随后因“Lighthill报告”中指出AI未能实现其目标而停止。从1980年代开始，AI在早期方法（如专家系统和控制论）的发展和实际工业应用的推动下经历了复苏。然而，1987年至1993年间，AI又面临了一次下降，原因是不切实际的期望和计算能力的限制。后来，信息技术（IT）和工业革命的进展推动了AI的显著发展。今天，更快、成本更低、更强大的处理系统的可用性促进了AI的广泛采用。

在结构工程中，AI的应用正在多样化，包括其与屈曲限制阻尼器、粘弹性阻尼器、加固技术（如纤维增强套筒）、柱-梁连接和生命周期评估的集成。例如，AI被应用于地震保护系统，以增强阻尼器和屈曲限制阻尼器的能量耗散和韧性。在加固方面，AI驱动的模型有助于识别结构弱点并推荐成本效益高的加强策略。对于柱-梁连接，AI提高了在循环载荷下连接行为的预测能力。AI还被引入小规模的生命周期评估研究中，以评估可持续性和长期结构性能。在此背景下，本文强调了这些新兴应用的局限、挑战和潜在解决方案。同时，讨论了AI的实际应用，其采用的障碍以及工业实施的前景。具体而言，研究评估了AI模型在机械和耐久性属性、火灾影响、地震影响设计和生命周期评估方面的预测准确性。此外，还检查了传统AI模型的优化版本的准确度水平。本文未涵盖2025年的AI研究趋势，也未涉及结构健康监测、遥感或施工自动化。

AI在结构工程中的应用主要通过几种不同的方法实现。例如，神经网络（NN）是AI模型中最常见的结构之一，通过模仿人类神经系统和大脑的结构，能够处理复杂的数据关系。人工神经网络（ANN）利用其自我学习能力，在实验数据量增加时产生高度准确的结果。通过管理高维数据，ANN可以解决高度非线性的分类和回归问题，以及复杂的关系。本质上，ANN可以被视为一个信息处理系统，具有专门的神经元接收外部输入并生成输出。人工智能的其他方法包括遗传算法（GA）、粒子群优化（PSO）、高斯过程回归（GPR）和多变量自适应回归样条（MARS）等。这些方法在结构工程中的应用已经显示出其在预测结构性能方面的强大能力。

在结构工程中，AI的应用已经发展到多个领域，包括混凝土、钢筋混凝土（RC）和复合结构的性能预测。例如，K近邻（KNN）、人工神经网络（ANN）、Bagging回归（BR）、高斯过程回归（GPR）、支持向量机（SVM）、决策树（DT）、随机森林（RF）、多层感知机（MLP）、基因表达编程（GEP）和提升方法（如XGBoost）已被广泛应用于优化混凝土配比和预测其机械性能。这些方法主要集中在预测使用回收骨料和补充性胶凝材料（如矿渣、硅灰、粉煤灰和粒化高炉矿渣）的混凝土的抗压强度，使用的数据集范围从1000到3600个样本。其中，XGBoost和堆叠方法（一种结合多个模型的集成技术）达到了最高的准确度，其R2值超过0.950。最显著的影响因素是混凝土的测试龄期、水泥含量和回收粗骨料（CA）的替换率。此外，GEP在硅灰混凝土的预测中达到了0.960的R2值，而BR在地质聚合物混凝土的预测中达到了0.970的R2值。虽然这些研究使用了通用的交叉验证（CV）来减少过拟合，但没有报告置信区间（CI）或标准差（SD）。

在结构工程中，AI的应用还涉及对结构材料耐久性和火灾影响的预测。例如，预测结构材料的长期使用性对于有效的结构设计至关重要。多个研究已经探索了最佳方法来评估关键耐久性因素。例如，ANN在预测水分暴露时达到了R2值超过0.950，使用了429个观测值。回归模型通过贝叶斯优化进行调优，并在保留测试集上进行评估；分类使用了分层10折CV。该研究没有报告模型输出的标准差或置信区间，而是报告了标准预测指标（R、MSE、RMSE、MAE）。重要的影响因素包括暴露时间、环境因素（相对湿度、温度）以及几何和材料特性。使用分层CV和贝叶斯超参数调优减少了过拟合的风险，但该研究提供的正式不确定性量化有限。

对于混凝土材料的耐久性和火灾影响，AI的应用在多个研究中得到了验证。例如，预测混凝土的腐蚀使用了256个实验记录（化学和生物测试），模型通过50/50的训练和测试数据进行训练，并使用MSE和R2（MEP表现最佳）进行评估。输入特征非常有限（时间±pH），因此影响参数基本上是暴露时间和pH；由于特征维度低，模型较为简单，但该研究没有报告正式的不确定性边界（SD/CI）或使用外部测试集——这限制了对过拟合和泛化分析的进一步研究。SVM（88-89%准确度；204个数据集）和反向传播神经网络（85%准确度；159个样本）被用于预测氯离子侵蚀。在Khan等人的研究中，BR在预测磨损深度时达到了R2值为0.999，使用了216个数据点，SHAP分析识别了测试时间和试件年龄作为主导因素。通过使用集成，优化了ANN架构，减少了过拟合的风险，但缺乏外部数据仍然是一个限制。

在结构工程中，AI的应用还包括对结构响应和地震影响的预测。例如，利用AI与剪切建筑模型结合，确定了RC框架在位移控制准静态循环载荷和动态地震地面运动下的非线性地震响应。数据集包括272个RC柱的测试结果。数值结果显示RMSE和MAE分别减少了60%和62%，表明该方法优于现有的物理基础和经典纤维基础模型。特别地，AI技术准确利用了实际实验数据来评估侧向刚度，并通过剪切模型高效地构建了结构刚度矩阵。此外，AI在结构连接的预测中也得到了应用，例如，利用AI与贝叶斯模型结合，预测了地震影响下的结构响应。这些方法能够高效地识别复杂的非线性关系，减少预测损伤状态与独立模型的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的误差，避免偏差以生成更稳定和可推广的预测，并提高分类任务的精度和召回率。

在结构工程中，AI的应用还包括对结构材料的耐久性和火灾影响的预测。例如，预测混凝土的耐久性使用了不同的AI和机器学习（ML）方法，如KNN、ANN、BR、GPR、SVM、DT、RF、MLP、GEP和堆叠技术。这些方法主要集中在预测使用回收骨料和补充性胶凝材料的混凝土的机械性能。其中，XGBoost和堆叠方法在混凝土的强度预测方面表现最佳，达到了较高的准确度。这些方法在预测混凝土的耐久性方面也表现良好，能够处理大量的输入数据并减少误差。此外，AI在预测结构响应和地震影响方面也显示出其潜力，如使用XGBoost、SVM、DT、RF等方法来预测地震影响下的结构响应。这些方法能够捕捉地震参数与结构响应之间的复杂关系，高效处理数据变异性，减少预测损伤状态的