基于集成机器学习模型的混凝土-木材填充钢管力学性能预测研究

为解决混凝土-木材填充钢管(CTFST)力学性能预测难题，研究人员开发了集成机器学习(ML)模型，用于精准预测其轴向荷载-位移曲线、应力-应变曲线、最大轴向承载力和弹性刚度。结果表明，集成ML-5模型预测最大轴向承载力误差仅0.72%，集成ML-3预测弹性刚度误差0.57%，曲线拟合准确率达97.6%。该研究为CTFST结构设计提供了高效可靠的数字化工具，显著降低实验成本。

　　

在现代建筑结构中，混凝土-木材填充钢管(CTFST)因其卓越的抗震性能和可持续性优势备受关注。这种复合材料巧妙结合了钢材的强度、混凝土的耐久性和木材的环保特性，特别适合地震多发地区的建筑应用。然而，CTFST的力学行为预测面临重大挑战——三种材料的复杂相互作用导致传统分析方法难以准确模拟其非线性响应。更棘手的是，现有研究多集中于普通混凝土填充钢管(CFST)，对含木材芯材的CTFST研究严重不足，工程师们缺乏可靠的设计工具。

为突破这一瓶颈，来自波兰格但斯克工业大学等机构的研究团队在《Engineering Applications of Artificial Intelligence》发表创新研究。该团队开发了集成机器学习(ML)模型，成功实现了CTFST力学性能的精准预测。研究采用有限元分析生成88组CTFST模型数据，结合生成对抗网络(GANs)和变分自编码器(VAEs)进行数据增强。通过对比32种常规ML算法，最终优选5种集成ML模型，采用粒子群优化(PSO)和遗传算法(GA)进行超参数调优。

材料与方法
研究首先通过ABAQUS软件建立CTFST有限元模型，包含钢管、混凝土和木材三种材料，采用运动硬化模型模拟钢材屈服行为。为解决数据不足问题，创新性地应用GANs和VAEs生成合成数据，将原始数据集从88组扩展至2000组。开发了5种集成ML模型组合，包括BR+XGBoost+GBM等并行架构，通过9项统计指标(R²、RMSE等)评估性能。

最大轴向承载力预测
在预测CTFST最大轴向承载力时，集成ML-5表现最优，在VAE生成的2000组数据测试中R²达0.999，误差仅0.72%。值得注意的是，即使数据量减半，集成ML模型仍保持98.2%以上的预测精度，证明其强大的泛化能力。

弹性刚度预测
对于弹性刚度预测，集成ML-3在GANs生成数据集中表现突出，误差仅0.57%。研究还发现，增加数据量能显著提升模型稳定性——当数据从1000组增至2000组时，所有模型的平均R²从97.2%提升至99.4%。

曲线拟合能力
研究最具突破性的成果在于曲线拟合。集成ML模型成功预测了轴向荷载-位移曲线和应力-应变曲线的完整形态，包括弹性段、塑性段和破坏段。特别在预测圆形木材芯CTFST时，曲线拟合准确率高达97.6%，远超常规ML模型。

实验验证
为验证模型普适性，研究采用12组实验数据测试，包括矩形、方形等异形木材芯CTFST。结果显示，集成ML模型预测的弹性刚度误差控制在2.1%以内，最大轴向承载力误差不超过1.92%。即使面对训练集未包含的异形截面，通过等效面积转换后，模型仍能保持可靠预测。

这项研究的创新价值主要体现在三方面：首先，开发的集成ML模型突破了传统CFST研究局限，首次实现含木材芯复合结构的精准预测；其次，创新的"有限元+GANs"数据增强策略，为小样本工程问题提供了解决方案；最后，研发的图形用户界面(GUI)工具将复杂算法转化为工程师易用的设计平台，支持实时曲线预测和参数优化。

研究团队特别指出，随着更多实验数据的积累，模型精度可进一步提升。该成果不仅为CTFST结构设计提供了革命性工具，其方法论更可推广至其他复合材料的性能预测领域。未来通过引入高性能混凝土、纤维增强等新材料，结合更先进的深度学习架构，有望建立更完善的智能设计体系，推动土木工程进入数字化设计新时代。