基于SMOTE增强XGBoost的桥梁群震害快速评估方法

本文提出一种结合合成少数类过采样技术（SMOTE）与极限梯度提升（XGBoost）的桥梁震害评估模型（S-XGB），通过自动优化过采样比例解决数据不平衡问题，在有限元模拟数据集上实现83.3%–87.5%的分类准确率，为灾后应急响应提供高效决策支持。

　　

Highlight

理论基础

本研究探索机器学习（ML）在震害快速评估中的应用。本节概述相关ML方法：提出的S-XGB模型融合合成少数类过采样技术（SMOTE）与极限梯度提升（XGBoost），通过生成合成样本解决数据倾斜问题，将桥梁损伤状态分为绿（轻微）、黄（中度）、红（严重）三类。

桥梁群快速震害评估框架

图3展示的评估流程包含：1. 基于有限元模型生成数据集，模拟桥梁结构参数与地震动参数；2. 训练S-XGB模型建立损伤分类器；3. 应用模型实现桥梁群安全状态批量预测，显著提升传统人工评估效率。

案例研究

聚焦四类桥梁：I型（单柱墩整体式桥台）、II型（单柱墩座式桥台）、III型（双柱墩整体式桥台）、IV型（双柱墩座式桥台）。表1显示关键参数选择需兼顾模型适用性与精度，不同构型参数通过拉丁超立方抽样获取。

超参数调优

如第2节所述，采用网格搜索与10折交叉验证优化模型。表2列出四类桥梁的最优超参数组合，包括XGBoost的正则化系数、树深度等关键参数。

模型分类性能

通过混淆矩阵与ROC曲线展示预测效果，SMOTE处理后XGBoost对少数类（红标）识别率提升42%，整体准确率达87.5%。

Conclusion

本方法通过有限元分析与ML结合，实现桥梁群损伤三态分类。SMOTE技术优化样本分布，XGBoost内置正则化防止过拟合，为灾后资源调度提供智能解决方案。