基于机器学习和SHAP方法对水中浮式隧道在冲击载荷作用下的位移响应进行预测与分析

《Marine Structures》：Prediction and analysis of displacement response of submerged floating tunnel under impact loading based on machine learning and SHAP methods

　　• 通过综合冲击测试和流体-结构相互作用模拟，构建了一个包含七个特征的数据集，用于研究水下浮动隧道。• 优化的XGBoost模型能够在冲击载荷下提供高精度的位移响应预测。• SHAP方法阐明了关键因素及其对结构位移响应的耦合效应。

引言
水下浮动隧道（SFT）是一种创新的深水运输基础设施，它通过浮力和锚固系统之间的力平衡悬浮在水环境中，已成为全球跨越海峡、海湾和大型内河水道的尖端解决方案。然而，确保SFT管在恶劣复杂海洋环境下的结构安全性是保证其长期可用性和运行耐久性的核心前提[[1], [2], [3], [4], [5]]。在整个使用寿命期间，SFT管不断面临意外冲击和突发故障的风险，包括船舶锚固、船舶碰撞、漂浮碎片的冲击，以及由于局部锚缆断裂和突然的系泊故障引起的瞬态结构激励[6,7]。先前的物理模型测试已经验证，突然的系泊系统故障会产生等同于短时冲击载荷的瞬态动态激励，从而引发显著的管体位移放大和剩余锚缆的张力重新分布[8,9]。这种极端事件可能导致整体结构不稳定，进而对隧道的安全运行构成严重且迫在眉睫的威胁[4,5,10]。因此，准确预测SFT在冲击载荷下的位移响应，并定量阐明关键影响因素，具有深远的理论和工程实践意义。这项工作为SFT结构的抗冲击优化设计、运行安全性评估和维护策略的制定奠定了关键基础[11]。然而，现有的主流预测和分析SFT管位移响应的方法主要依赖于物理实验测试、数值模拟和理论-经验公式，在实际工程应用中存在严重瓶颈。传统的物理冲击测试通常采用逐因子设计方案，需要制造大量试样以覆盖不同的冲击参数和海洋环境条件，并进行大量重复测试。这种测试方法伴随着高昂的成本、漫长的测试周期以及对实际工程工作条件的极有限覆盖[4,10]。同时，现有的理论公式大多基于过于简化的机械模型和限制性假设，例如将SFT理想化为简化的梁结构或忽略由冲击和波浪-水流载荷耦合引起的复杂非线性流体-结构（FSI）效应[12]。基于CFD的流体动力学模拟[13]和离散模块梁水弹性模型[14]等先进的高保真数值技术在再现多个影响因素之间的非线性相互作用规律方面表现出色，能够完全捕捉到波浪、水流和冲击载荷共同作用下的复杂流-结构耦合响应。然而，这些高精度非线性模拟方案需要大量的计算资源，使得快速生成用于数据驱动机器学习建模的大量多条件样本数据集变得不切实际。虽然传统理论公式中采用的简化假设大大简化了数学推导和解算过程，但它们大大限制了在实际复杂海洋环境中的应用范围。具体来说，这些方法在表征多变量耦合效应方面存在固有困难，无法有效量化冲击参数、结构参数和海洋环境因素（如波浪条件、水流速度和系泊系统特性）之间的复杂非线性耦合机制[[15], [16], [17]]。

人工智能和数据科学的快速发展使机器学习（ML）成为解决上述限制的变革性技术方法，因为它具有强大的非线性拟合能力、高效的数据驱动建模范式和出色的高精度预测性能[18]。基于ML的方法消除了预先定义复杂机械理论模型的需要[19,20]，而是可以直接从现有的实验和数值模拟数据中挖掘多维输入特征与结构位移响应之间的内在非线性映射关系。这类方法已广泛应用于各种类型工程结构的动态响应预测和损伤评估中。例如，XGBoost算法已被用于准确预测混凝土结构的冲击损伤[21,22]，随机森林模型有助于高效计算混凝土填充钢管的抗冲击能力[1,23,24]，而AdaBoost与梯度提升集成算法则实现了结构动态响应的高精度拟合[25]。这些研究共同证明了ML方法在预测结构位移响应方面的强大适用性。特别是集成学习算法，通过实现多个基础学习器的协同训练和优化，可以有效减少预测偏差和方差，相较于单个模型具有更好的泛化稳定性和拟合精度，已成为复杂非线性回归任务的主流技术解决方案[25]。

据作者所知，尽管国内和国际学者已成功将ML方法引入结构位移响应预测领域并取得了显著成果[26,27]，但专门针对SFT管位移响应预测的研究仍然严重不足。传统的ML方法，如线性回归和单层神经网络，在处理SFT位移响应所固有的多因素非线性耦合问题时，其捕捉复杂非线性关系和实现满意泛化性能的能力不足。SFT管的位移响应受到结构参数、冲击参数和海洋环境因素的共同控制，这些影响因素之间存在复杂的非线性耦合[16,[28], [29], [30], [31]]。然而，现有的相关研究主要集中在提高模型预测准确性上，往往忽视了ML模型固有的“黑箱”特性。少量研究通过相关热图和物理机制推导初步分析了输入-输出关系[32]，但大多数工作仍缺乏对SFT位移预测模型的系统定量解释分析，未能定量描述每个输入特征对管体位移响应的贡献程度和作用模式。这一关键缺陷使得将模型预测结果直接转化为工程抗冲击设计的可操作指导变得困难[33,34]。此外，很少有研究引入可解释性算法来实现对位移响应预测模型的机制解释和特征影响的量化，导致对影响隧道管在复杂海洋环境中位移响应的多因素耦合机制理解不足。

为了解决这些研究空白，本研究开发了一个全面的SFT管位移响应预测框架，该框架集成了高预测精度、强泛化能力和完全的可解释性。通过结合实验室落锤冲击测试和改进的基于ABAQUS的流体-结构相互作用（FSI）数值模拟，构建了一个高保真数据集，涵盖了七个核心输入特征——落锤质量、撞击表面直径、冲击角度、浮力-重量比、波高、波周期和水流速度[31,35,36]，从而全面覆盖了冲击参数、结构参数和海洋环境条件。系统地开发了六大代表性ML预测模型，涵盖四种主要算法类别，包括AdaBoost、梯度提升决策树（GBDT）、XGBoost、随机森林（Random Forest）、多层感知器（MLP）和支持向量回归（SVR）。每种模型都使用网格搜索算法结合5折交叉验证进行全局超参数调整，并采用多维评估指标来比较模型性能并确定该特定工程场景的最佳模型。最后，引入了SHAP（Shapley Additive Explanations）可解释性算法来量化每个输入特征对管体位移贡献的贡献，阐明特征值与位移响应之间的非线性映射关系，识别核心影响因素的作用阈值及其多因素耦合效应，并揭示ML模型固有的“黑箱”特性。最后，将所有上述组件整合在一起，开发了一个交互式预测程序，用于快速预测SFT管位移响应，如图1所示。

本研究的主要创新贡献总结如下：
(1) 通过结合实验室落锤冲击测试和改进的基于ABAQUS的数值模拟，构建了一个混合高保真数据集，涵盖了冲击、结构和海洋环境参数七个特征。
(2) 通过网格搜索结合5折交叉验证系统优化了六大ML模型，其中XGBoost实现了最佳的泛化性能（测试集R2 = 0.956）。
(3) 引入SHAP可解释性分析来量化特征贡献、作用阈值和多因素耦合效应，并将结果整合到一个交互式预测程序中，用于SFT的抗冲击设计。

### 数据收集和数据集构建
落锤冲击测试广泛用于评估水下浮动隧道的抗冲击能力和动态响应。本研究采用了Kanie提出的Funk Bay中的SFT原型[37]，并根据波浪水槽的尺寸和先前的研究设计了一个比例为1:100的分段SFT模型[38]。构建了一个桁架型SFT实验模型来进行多场景冲击测试。

### 模型选择和核心原理
机器学习算法的选择基于该预测任务的特性：小样本（306个样本）回归问题，具有强非线性的输入-输出关系和异构特征尺度。因此，选择了六个代表四种互补范式的算法来构建管体位移响应预测模型：(1) AdaBoost、GBDT和XGBoost代表连续几代的提升集成。

### 性能评估指标
为了全面客观地评估六个机器学习模型的预测性能，选择了四个常用的回归评估指标来从两个维度评估模型：拟合度和预测误差。每个指标的计算公式如下：
- 决定系数（R2）：衡量模型的拟合程度，其值范围为[0,1]。R2越接近1，说明模型拟合得越好，表示更好地捕捉了关系。

### 基于SHAP的最优模型可解释性分析
XGBoost模型实现了极高的预测精度，但它受到“黑箱”限制，无法直观地展示七个输入特征如何影响管体位移响应。为了解决这个问题，我们采用了基于博弈论Shapley值的SHAP算法来量化每个特征的预测贡献，并揭示输入变量和输出之间的内在联系。

### 基于机器学习的水下浮动隧道位移响应预测程序设计
为了实现便捷、可解释的SFT管位移响应预测，本研究使用Python PyQt5库开发了一个端到端的交互式预测程序。如图22所示，通过前一节中对多个模型性能比较选择了XGBoost模型作为软件的核心预测内核。该程序的输入参数与七个核心特征完全对齐。

### 结论
本研究结合落锤冲击测试和流体-结构相互作用模拟，构建了一个7维特征数据集，并开发了一个可解释的机器学习框架，用于预测冲击载荷下的SFT管位移响应。主要结论如下：
(1) 在六个系统优化的ML模型中，通过网格搜索结合5折交叉验证调优的XGBoost实现了最佳性能（测试集R2 = 0.956），且没有明显的过拟合现象。

### 作者贡献声明
梁凯勇：撰写——原始草稿，形式分析。
胡一川：撰写——原始草稿，形式分析。
罗俊辉：方法论。
吴志文：监督，概念化。
谢灿荣：撰写——审阅与编辑，撰写——原始草稿。
冯一鹏：方法论。
李双福：方法论。
梅国雄：监督，方法论。

### 利益冲突声明
作者没有已知的财务利益或个人关系可能影响本研究的工作。

### 致谢
本研究得到了广西自然科学基金（项目编号2025JJA160339）、国家自然科学基金（项目编号52268061）、国家地震工程研究中心开放基金（项目编号2025KFB2002）和隧道工程国家重点实验室开放基金（项目编号TESKL202534）的支持。

梁凯勇 | 胡一川 | 罗俊辉 | 吴志文 | 谢灿荣 | 冯一鹏 | 李双福 | 梅国雄