基于机器学习的UHPC-CA锚固区局部压缩挑战突破：一种鲁棒优化方法

本文创新性地将机器学习(ML)与粒子群优化(PSO)算法相结合，针对超高性能粗骨料混凝土(UHPC-CA)锚固区局部承压(LBC)问题，系统评估了随机森林(RF)、支持向量回归(SVR)等5种ML算法，其中经PSO优化的多层感知器(MLP)模型预测精度最高(R2=0.9986)，特征剪枝后输入维度降低28.6%仍保持优异性能(R2=0.9978)，为桥梁工程从经验设计向智能预测转型提供了创新解决方案。

　　

亮点

本研究首次系统评估了机器学习在UHPC-CA局部承压预测中的应用，通过PSO算法优化和特征剪枝，建立了精度达R²=0.9986的预测模型，为桥梁锚固区设计提供了智能解决方案。

机器学习模型建立

基于208组实验数据，采用min-max归一化处理后，通过k折交叉验证对比了RF、SVR、GPR、XGBoost和MLP五种算法。其中MLP展现出最优性能(R²=0.9958)，其网络结构通过超参数优化(HPO)显著提升了泛化能力。

讨论

与传统回归模型相比，所有ML模型(R²>0.94)均展现出显著优势。特别地，PSO-MLP模型较现有规范公式(JTG 3362)精度提升17.6%，且通过泰勒图分析证实其具有最优的预测稳定性。

结论

本研究成功将PSO优化的MLP模型应用于UHPC-CA局部承压预测，特征剪枝技术在不降低精度(R²=0.9978)前提下将输入参数从7个降至5个，推动了土木工程向数据驱动范式的转变。