《Composite Structures》：Application of machine learning algorithms in predicting ultimate load of EBROG FRP-to-concrete joints in single-lap shear tests
编辑推荐：
本文创新性地应用XGBoost等机器学习算法，精准预测了开槽法（EBROG）FRP-混凝土接头的极限粘结荷载（R2= 0.9041）。研究揭示了槽口几何（宽度bg、深度hg、间距s）、混凝土抗压强度（f'c）和FRP性能等参数的影响机制，为优化纤维增强聚合物（FRP）加固设计提供了高效可靠的数据驱动新范式。
Highlight
我们的研究亮点在于，利用强大的极端梯度提升（XGBoost）机器学习模型，成功解码了开槽法（EBROG）纤维增强聚合物（FRP）与混凝土粘结行为的复杂性。该模型不仅实现了高精度的极限荷载预测，还通过特征重要性分析，揭示了影响粘结性能的关键驱动因素。
Parametric study
为了深入探索各参数的影响，我们进行了一项参数化研究。我们定义了一组具有特定特征的试件，这些特征均在我们模型所用特征的上下限范围内，并使用训练好的XGBoost回归模型来预测它们对应的最大粘结荷载。在展示结果之前，需要强调一点：由于数据集规模有限，这些预测完全基于在现有数据上训练的机器学习模型。因此，未来更广泛的实验数据集或详细的数值模拟，对于验证这些发现并建立更普适的模型至关重要。
研究结果表明，对于抗压强度在25–45 MPa范围内的混凝土，5 × 10@15 mm的槽口类别被确定为最优且实际可行的配置。该槽口几何形状在混凝土抗压强度分别为25、35和45 MPa时，得出的极限粘结荷载分别为12.42、13.16和13.49 kN。然而，当混凝土抗压强度达到55 MPa时，10 × 10@45 mm的槽口类别实现了最高的极限荷载，为10.97 kN。
Conclusions and practical recommendations for engineers on selecting groove classes for FRP-to-concrete bond design
为了预测EBROG FRP-混凝土接头的极限荷载能力，并研究槽口几何、混凝土抗压强度和FRP板材性能的变化如何影响该能力，同时考虑槽口类别的概念，本研究采用了两种机器学习算法：随机森林回归和XGBoost回归。其中，XGBoost回归模型展现了强大的预测性能，在测试集上达到了0.9041的决定系数（R2）。根据增益（Gain）特征重要性分析，FRP板材的宽度和纤维刚度是预测极限粘结荷载最具影响力的参数，而槽口宽度和混凝土抗压强度的影响最小。
基于这些发现，我们为工程师选择FRP-混凝土粘结设计中的槽口类别提供以下实用建议：对于常见的25–45 MPa强度混凝土，优先考虑采用5 mm宽、10 mm深、间距15 mm的槽口布局，这能实现优异的粘结性能。而当处理更高强度（如55 MPa）的混凝土时，则应考虑使用10 mm宽、10 mm深、间距45 mm的槽口类别以达到最佳效果。设计时应重点确保FRP板材具有足够的宽度和刚度，因为这两者对提升承载力至关重要。
