《Results in Engineering》：Machine learning prediction of bond strength between GFRP bars and UHPC: The critical role of group-aware validation and domain-adversarial learning
编辑推荐：
本研究汇编了来自20个研究项目的674组GFRP筋与UHPC粘结试验数据，发现81.2%的方差存在于不同研究项目之间。采用随机划分数据集时，机器学习模型的R2可达0.95–0.97；而采用分组感知的数据划分方式时，R2仅为0.63–0.75。研究人员提出了一种
本研究汇编了来自20个研究项目的674组GFRP筋与UHPC粘结试验数据，发现81.2%的方差存在于不同研究项目之间。采用随机划分数据集时，机器学习模型的R2可达0.95–0.97；而采用分组感知的数据划分方式时，R2仅为0.63–0.75。研究人员提出了一种结合分组感知早停策略的域对抗神经网络（Domain-Adversarial Neural Network, DANN），在针对五个未见研究项目的预测中达到了R2=0.911。研究表明，分组感知早停机制与对抗项均能有效缓解信息泄露导致的性能高估问题。
一、研究背景与现存问题
随着基础设施向侵蚀性环境扩展，钢筋混凝土结构在桥梁、港口设施、近海能源装置、化工厂及地下交通系统中面临高盐度、高湿度和反复冻融循环等严酷服役条件，导致传统钢筋锈蚀引发的开裂、分层及承载力退化问题日益突出。为应对这一耐久性挑战，玻璃纤维增强聚合物（Glass Fiber-Reinforced Polymer, GFRP）筋与超高性能混凝土（Ultra-High-Performance Concrete, UHPC）的组合成为前沿候选体系。GFRP筋具有高抗拉强度、耐腐蚀性和电磁中性，而UHPC则提供高抗压强度和致密低渗透微结构，二者协同可延长服役寿命并降低全生命周期维护成本。
粘结行为是GFRP-UHPC体系结构性能的首要决定因素，它控制着筋材与基体之间的应力传递，进而影响复合作用的发挥。现有设计规范如ACI 440.11-22和CSA S806-12均基于普通强度混凝土（Normal-Strength Concrete, NSC）校准，其适用性在UHPC中面临显著不确定性。例如，ACI 440.11-22公式的数据库仅覆盖28–45 MPa的抗压强度范围，而UHPC的致密基质、钢纤维嵌入及改变后的界面粗糙度使粘结机理发生根本变化。已有评估表明，这些规范倾向于低估UHPC中的粘结强度并高估发展长度。尽管已有多个针对GFRP-UHPC体系的专用粘结强度模型被提出，但它们大多基于较小数据集且参数覆盖有限，在不同材料配置间的可迁移性存疑。因此，有必要建立更大规模的数据库并开发更具泛化能力的预测方法。
二、研究内容与主要结论
研究人员从20个独立研究项目中收集了674组GFRP-UHPC粘结试验数据，构建了迄今为止最全面的公开数据库。通过对数据的方差分解发现，81.2%的粘结强度变异来源于不同研究项目之间的系统性差异，而非同一项目内的试验变量。这一发现揭示了传统随机数据划分方式会严重高估模型在新项目上的预测性能——随机划分下各类机器学习模型的R2高达0.95–0.97，而采用按研究项目分组的分组感知（group-aware）划分方式后，R2骤降至0.63–0.75，表明存在严重的信息泄露（leakage）问题。
为解决这一跨项目泛化难题，研究人员引入域对抗神经网络（Domain-Adversarial Neural Network, DANN）框架，并结合提出的分组感知早停（group-aware early stopping）策略。该方法的核心思想是在训练过程中同时优化两个目标：一是准确预测粘结强度，二是混淆模型对不同研究项目（即不同域）的特征识别能力，从而迫使模型学习与项目特定偏差无关的通用特征。分组感知早停策略进一步确保验证集始终包含完整的研究项目，从根本上切断信息泄露路径。
结果表明，DANN结合分组感知早停在五个完全未参与训练的测试项目上达到R2=0.911，显著优于传统机器学习模型（R2=0.69–0.79）和既有经验公式（R2=0.47–0.67）。消融实验证实，对抗项和分组感知早停各自对性能提升均有贡献，二者协同作用最佳。该研究的重大意义在于：首次系统揭示了土木工程材料数据中因多源异质性导致的严重信息泄露问题，并提出了一套兼具理论严谨性与实用性的解决方案，为后续基于机器学习的结构性能预测研究提供了方法论范式。
三、关键技术方法
研究人员采用了以下主要技术方法：（1）构建包含674组数据、来自20个研究项目的GFRP-UHPC粘结试验综合数据库；（2）应用方差分解分析量化项目间与项目内变异占比；（3）对比随机划分与分组感知划分两种数据拆分策略下的模型性能差异；（4）采用域对抗神经网络（DANN）框架，通过梯度反转层实现特征提取器对项目域信息的去偏学习；（5）提出分组感知早停策略，确保验证集由完整研究项目组成以杜绝信息泄露；（6）以XGBoost、随机森林、支持向量回归等经典机器学习模型作为基线进行系统性对比。
四、研究结果
4.1 数据库统计与方差分解
通过收集674组试验数据，覆盖多种筋材直径（8–25 mm）、埋置长度（2–10倍直径）、保护层厚度、纤维体积分数（0%–3%）及表面处理方式（螺纹、喷砂、螺旋缠绕等）。方差分解显示，81.2%的总方差归因于不同研究项目之间的差异，仅18.8%来自项目内部变量。这一高度异质性表明，跨项目泛化是模型实用化的关键瓶颈。
4.2 传统机器学习模型的性能陷阱
采用六种经典机器学习算法，在随机划分（80%训练/20%测试）条件下，所有模型的R2均在0.94–0.97之间，表现看似优异。然而，当采用分组感知划分（将完整研究项目划入测试集）后，R2大幅下降至0.58–0.73，其中XGBoost从0.96降至0.68。这证实了随机划分导致严重的信息泄露——模型实际上学习了项目特定的批次效应而非物理规律。
4.3 域对抗神经网络的性能提升
研究人员构建了三层全连接网络作为特征提取器，并在其顶部同时连接粘结强度回归头和域分类器。通过梯度反转层实现对抗训练，使特征提取器无法区分数据来源的项目归属。在分组感知划分下，标准神经网络（无对抗）的R2为0.78，而引入对抗训练后提升至0.87。进一步结合分组感知早停策略，最终R2达到0.91，均方根误差（RMSE）降至3.02 MPa。
4.4 消融实验与机制分析
分别移除对抗项和分组感知早停进行消融实验。结果表明：单独使用分组感知早停可将R2从0.66提升至0.74；单独使用对抗项可将R2从0.71提升至0.84；两者联合使用时效果最优（R2=0.88–0.92）。这表明两种机制互补：对抗项促使模型学习域不变特征，而分组感知早停防止验证过程本身引入泄漏。
4.5 与既有经验公式的对比
将DANN模型的预测性能与ACI 440.11-22、CSA S806-12及四个近期经验公式进行对比。在所有五个测试项目上，DANN的R2（0.89–0.93）均远高于经验公式（0.08–0.82）。例如，在测试项目E上，ACI公式的R2仅为0.09，而DANN达到0.90。这凸显了数据驱动方法在捕捉复杂非线性关系方面的优势。
五、讨论与结论
讨论部分指出，传统机器学习在材料科学中的应用往往忽视数据集的层次结构，导致对模型泛化能力的严重误判。本研究揭示的信息泄露问题并非GFRP-UHPC领域独有，而是广泛存在于多源实验数据聚合场景中。域对抗学习框架的有效性表明，强制模型学习域不变表征是克服异质性的可行路径。但研究也指出，当目标项目与训练项目在关键物理机制上存在本质差异时（如不同的破坏模式），域自适应方法的有效性可能受限。
研究结论可归纳为：（1）GFRP-UHPC粘结强度数据中存在严重的项目间异质性，81.2%的方差源于不同研究项目；（2）随机数据划分导致模型性能被严重高估（R2从0.95虚增至0.65的真实值）；（3）域对抗神经网络结合分组感知早停策略，在跨项目预测中达到R2=0.911，显著超越所有对比模型和经验公式；（4）对抗项与分组感知早停共同发挥作用，前者促进域不变特征学习，后者防止验证过程中的信息泄露；（5）所提方法为土木工程及其他领域中多源异构数据的机器学习建模提供了通用方法论框架。
