基于可解释机器学习的钢梁柱外伸端板螺栓连接节点弯矩-转角行为预测研究

本研究针对钢梁柱外伸端板螺栓连接节点的弯矩-转角行为预测难题，创新性地结合可解释人工智能（XAI）技术，开发了基于SHAP和LIME解释框架的机器学习模型。研究通过数值模拟生成3116组数据，对比ANN、XGB、RF和KNN四种算法，最终XGB模型以训练R2 0.999和测试R2 0.998的优异性能胜出，并开发了10秒内输出预测结果的GUI工具，较传统数值分析效率提升240倍，为工程实践提供了高效可靠的辅助设计手段。

　　

在当代结构工程领域，不锈钢因其卓越的耐久性、抗腐蚀性和美学特性成为热门材料，广泛应用于建筑框架、桥梁等关键基础设施。然而，作为结构传力关键环节的钢连接节点，其半刚性特性常被简化为理想铰接或刚性连接，导致实际受力分析存在显著误差。传统研究方法中，物理实验虽可靠但成本高昂，数值模拟虽可替代但耗时长达40分钟/次，这促使研究者寻求更高效的解决方案。

中国某高校研究团队在《Materials Today Communications》发表的研究中，开创性地将可解释机器学习应用于钢梁柱外伸端板螺栓连接节点的弯矩-转角行为预测。研究采用ABAQUS软件建立经过实验验证的有限元模型，系统改变端板厚度、螺栓直径、截面几何参数等8个关键变量，生成包含3116组数据的训练集。通过对比人工神经网络(ANN)、极限梯度提升(XGB)、随机森林(RF)和K近邻(KNN)四种算法性能，结合SHAP和LIME两种可解释性技术，最终开发出兼具高精度和透明度的预测工具。

数值建模方法
采用ABAQUS CAE 2020建立三维实体模型，使用C3D8I单元模拟端板和螺栓，C3D8R减缩积分单元模拟其他部件。通过静态通用求解器分析不同几何参数组合下的力学响应，所有模型均通过Elflah等人的实验数据验证。

机器学习模型
研究选取在结构工程领域表现优异的四种算法：ANN采用ReLU激活函数和Adam优化器；XGB设置最大深度6和学习率0.1；RF包含100棵决策树；KNN取K=5的欧氏距离度量。模型输入涵盖端板厚度、螺栓直径、截面总宽、总高、腹板厚度、翼缘厚度、竖向/水平螺栓间距等8个几何参数。

ML模型性能
XGB以压倒性优势表现最佳：训练R²
达0.999，测试R²
0.998，均方误差(MSE)仅0.04；ANN紧随其后（训练R²
0.994）；RF和KNN表现稍逊但仍有优异表现。抗噪测试显示XGB在添加5%高斯噪声后仍保持0.996的R²
，证明其鲁棒性。

可解释性分析
SHAP全局解释揭示端板厚度和螺栓直径对弯矩承载力影响最大，与EN 1993-1-8规范认知一致。局部解释中，某实例显示当端板厚度从20mm增至25mm时，预测弯矩提升18.7%。LIME与SHAP在85%案例中解释一致，但存在15%的局部差异，反映不同解释方法的特点。

工程应用转化
开发的SHAP嵌入式GUI工具可在10秒内完成传统需要40分钟的数值分析任务，实时可视化各参数贡献度。例如输入端板厚度30mm、M24螺栓时，界面不仅输出完整弯矩-转角曲线，还通过热力图显示端板厚度贡献率达43%。

该研究通过机器学习与可解释人工智能的融合，突破了传统钢连接分析方法的效率瓶颈。XGB模型接近完美的预测精度（R²

0.998）与SHAP提供的物理一致性解释，共同构建了"精准可溯"的智能分析范式。开发的GUI工具将专业分析简化为"输入-点击-解读"三步操作，使设计人员能快速评估不同几何配置的性能，大幅减少试错成本。研究不仅为半刚性连接设计提供了新工具，其"XAI+工程"的方法论对其它结构优化问题也具有借鉴意义，标志着结构工程分析向透明化、智能化迈进的重要一步。