基于概率混合机器学习模型的带翼缘矮墙钢筋混凝土抗剪强度预测研究

针对现行规范对带翼缘矮墙钢筋混凝土剪力墙(SRCSWs)抗剪强度预测精度不足的问题，本研究采用人工神经网络(ANN)结合SHADE等优化算法构建混合机器学习模型，通过180组实验数据验证显示ANN-SHADE模型测试集均方误差(MSE)低至0.0119、决定系数(R2)达0.92，显著优于传统规范方法。研究通过Copula蒙特卡洛模拟(CMCS)验证模型可靠性，并开发网页应用实现工程转化，为复杂截面剪力墙设计提供新范式。

　　

在建筑结构工程领域，带翼缘的矮墙钢筋混凝土剪力墙(Squat Reinforced Concrete Shear Walls, SRCSWs)因其优异的抗侧力性能被广泛应用。然而现行设计规范如ACI-318-19、Eurocode8等主要针对矩形截面高墙制定，对矮墙(剪切跨长比≤2.0)尤其是带翼缘截面的抗剪强度预测存在显著偏差。这种偏差源于翼缘导致的应力分布复杂化、平面截面假定失效等机理差异，可能引发结构安全隐患。更棘手的是，传统理论模型过度简化力学机制，有限元方法(FEM)又存在计算成本高、材料本构争议等问题，而基于回归的实证模型难以捕捉参数间非线性关系。

针对这一工程痛点，研究人员开展了一项创新性研究。通过整合180组带翼缘SRCSWs实验数据，首次将人工神经网络(ANN)与四种前沿优化算法（包括数学建模的INFO、物理现象启发的RIME、群体智能的ESOA和进化算法的SHADE）进行杂交，构建概率混合机器学习模型。研究采用k折交叉验证确保稳健性，并创新性地引入对抗性群体校准进行不确定性量化。最终开发的ANN-SHADE模型在测试集表现优异，MSE仅0.0119，R²高达0.92，远超规范方法。通过Copula蒙特卡洛模拟(CMCS)和Bootstrap抽样进行的可靠性评估显示，该模型在不同工况下均保持较高安全裕度。研究还开发了网页应用实现成果转化，并通过Sobol敏感性分析揭示了关键设计参数的影响权重。

关键技术方法包括：1) 从文献中系统收集180组带翼缘SRCSWs实验数据；2) 采用特征归一化预处理数据；3) 开发ANN与INFO/RIME/ESOA/SHADE的混合模型；4) 应用k折交叉验证和对抗性群体校准；5) 通过CMCS和Bootstrap进行可靠性评估；6) 构建网页应用界面实现工程应用。

结果与讨论

1. 模型性能比较：ANN-SHADE在各项指标上全面领先，其MSE比传统规范模型降低68%，R²提高29%。优化过程中发现SHADE算法能有效避免ANN陷入局部最优。
2. 可靠性分析：CMCS显示模型在95%置信区间内的预测误差不超过±12%，Bootstrap抽样证实参数敏感性排序为：混凝土强度>竖向配筋率>翼缘宽度。
3. 工程应用：开发的网页应用支持输入7项关键参数实时获取预测值，界面集成设计规范对比功能，实测响应时间<0.5秒。

结论与意义
该研究通过机器学习与结构工程的交叉创新，解决了带翼缘SRCSWs抗剪强度预测的行业难题。ANN-SHADE模型不仅精度显著优于规范方法，其概率化框架更弥补了传统ML研究忽视不确定性的缺陷。开发的网页应用打破技术壁垒，使复杂模型能直接服务于工程设计。研究提出的"混合算法优化+概率可靠性评估"范式，为其他结构性能预测研究提供了可借鉴的方法论。未来可扩展至其他异形截面构件研究，并探索多灾害耦合工况下的预测模型。论文成果发表于《Expert Systems with Applications》，为智能土木工程发展树立了新标杆。