海水腐蚀环境下FRP筋与混凝土粘结强度的机器学习预测模型构建及关键因素解析

【编辑推荐】针对海洋环境中纤维增强聚合物(FRP)筋与混凝土粘结性能评估难题，研究人员采用数据驱动的机器学习方法，基于295组样本构建了高精度预测模型。XGBoost模型表现最优（R2=0.93，RMSE=1.56 MPa），SHAP分析揭示混凝土抗压强度和FRP抗拉强度为关键影响因素，为耐腐蚀海洋结构设计提供了智能化评估工具。

　　

这项创新研究聚焦海洋工程领域的核心问题——海水腐蚀环境中纤维增强聚合物(Fiber-Reinforced Polymer, FRP)筋材与混凝土的界面粘结行为。科研团队巧妙融合材料科学与人工智能技术，建立了包含295组实验样本的数据库，系统比较了极端梯度提升(XGBoost)、人工神经网络(ANN)等六种机器学习算法的预测效能。

研究亮点在于XGBoost模型展现出卓越的预测能力，其决定系数高达0.93，均方根误差仅1.56兆帕(MPa)，显著优于传统线性回归等简单模型。通过博弈论启发的SHAP(Shapley Additive Explanations)可解释性分析，首次量化揭示了混凝土抗压强度(28天标准值)和FRP筋抗拉强度是主导粘结性能的"双引擎"，其重要性远超筋材直径、表面肋纹特征等几何参数。有趣的是，海水腐蚀时长和温度等环境因素对界面粘结的影响微乎其微，这颠覆了传统认知，证实FRP-混凝土复合体系在严苛海洋环境中的卓越耐久性。

该研究不仅为海洋基础设施建设提供了智能化的粘结性能预测工具，更通过特征重要性排序为工程选材提供了科学依据：当设计抗腐蚀海洋结构时，应优先考虑采用高强混凝土配合高抗拉FRP筋材的组合方案。文末指出未来需扩充数据库维度，纳入更丰富的筋材规格、锚固长度和腐蚀周期数据，以进一步提升模型的泛化能力。这项交叉学科研究标志着土木工程材料性能评估正式迈入"大数据+AI"的新纪元。