基于可解释机器学习的钢筋混凝土深梁受剪承载力预测研究

《Scientific Reports》：Explainable machine learning for shear capacity prediction of reinforced concrete deep beams

　　

摘要

钢筋混凝土（RC）深梁的受剪承载力预测仍然是混凝土结构设计中的一个难题。尽管基于规范的压力-拱-杆模型已被广泛接受，但其在常规设计应用中往往耗时较长，而现有的经验公式则无法完全捕捉材料属性、几何特征和配筋变量之间高度非线性的相互作用。针对这一局限性，本研究提出了一种用于预测钢筋混凝土深梁受剪承载力的可解释机器学习框架。本研究从文献中收集了一个包含419个试验试件的综合性数据库，并开发了八种有监督机器学习模型，使用Optuna框架对超参数进行了优化。对比分析表明，优化后的梯度提升决策树（GBDT）模型取得了最佳的预测性能，测试决定系数（R²）为0.93。研究还进行了一项基于合成高斯输入扰动的敏感性分析，以评估模型在逐步扰动输入下的数值敏感性。为了解释模型的"黑箱"行为，本文采用了Shapley加性解释（SHAP）和三维偏相关图（3D-PDP）。所得到的特征-响应模式与已建立的深梁行为基本一致，特别是混凝土抗压强度的正向作用和剪跨比的负向影响，以及关键变量之间的重要非线性交互作用。最后，本研究开发了一个集成了优化GBDT模型的用户友好的图形用户界面，旨在为实际工程应用提供快速且可解释的受剪承载力估算。