基于树集成机器学习模型的数据驱动钢筋混凝土剪力墙位移角容量预测

《Data-Centric Engineering》:Data-driven prediction of drift capacity for reinforced concrete shear walls using tree-based machine learning models

【字体: 大 中 小 】 时间:2026年10月24日 来源:Data-Centric Engineering 3.2

编辑推荐:

  钢筋混凝土剪力墙是抗震结构的关键组成部分,然而,由于几何、材料和荷载参数之间的非线性相互作用,准确预测其位移角容量仍具有挑战性。传统的经验或解析模型往往无法捕捉这些复杂性,这促使研究人员采用机器学习(machine learning, ML)作为数据驱动的替代

  
钢筋混凝土剪力墙是抗震结构的关键组成部分,然而,由于几何、材料和荷载参数之间的非线性相互作用,准确预测其位移角容量仍具有挑战性。传统的经验或解析模型往往无法捕捉这些复杂性,这促使研究人员采用机器学习(machine learning, ML)作为数据驱动的替代方案。在本研究中,研究人员从ACI 445B剪力墙数据库(ACI 445B Shear Wall Database)中提取了一个包含208个矩形截面和I形截面钢筋混凝土剪力墙的专项试验数据库。所选输入参数包括墙长厚比、归一化剪切系数、轴压比、横向钢筋间距与纵筋直径之比、边缘约束纵筋极限强度与屈服强度之比、边缘约束区和腹板纵筋配筋率,以及横向配筋率。研究人员采用嵌套交叉验证(nested cross-validation)优化了三种基于树的机器学习回归器。为提高预测精度,研究人员将其输出组合为堆叠集成(stacking ensemble)模型。数据集被划分为开发子集和独立留出测试子集,模型开发和超参数优化仅在开发数据内进行。此外,研究人员还将机器学习模型的预测能力与Abdullah和Wallace提出的经验公式进行了比较。结果表明,基于机器学习的方法在独立测试数据上表现出较强的预测性能。在所考虑的模型中,堆叠集成模型取得了最佳的综合结果,凸显了集成学习在捕捉控制钢筋混凝土剪力墙位移角容量的复杂非线性关系方面的潜力。研究结果支持将数据驱动模型作为传统经验方法在变形能力预测方面的补充工具。

论文解读

一、研究背景与问题

钢筋混凝土剪力墙是地震区建筑结构中主要的抗侧力构件,其通过限制层间位移角来防止结构过度损伤或倒塌。在罗马尼亚,大量建于1960年代至1977年间的住宅建筑采用墙式结构体系,1977年3月4日发生的弗朗恰(Vrancea)地震对该国墙体结构性能进行了全面检验,部分建筑遭受严重破坏,甚至出现新建多层剪力墙建筑倒塌的案例。当前,钢筋混凝土剪力墙不仅广泛应用于新建结构设计,也是既有建筑抗震加固中常用的措施之一。准确评估剪力墙的位移角容量(drift capacity)对地震评估和设计至关重要,因为它直接关系到损伤程度、安全性评价和防倒塌能力。
然而,位移角容量的预测并非易事。剪力墙的响应取决于几何尺寸、轴力、配筋构造、材料性能和破坏模式等多方面因素,弯曲主导、剪切主导和混合机制均可能发生,有时甚至导致突然的性能退化。试验证据表明,相似的位移角可能对应截然不同的损伤状态,这凸显了简化变形准则的局限性。传统经验公式通常基于有限数据集和简化假设,当应用于不同几何形状和配筋布置的墙体时,其精度可能下降。近年来,机器学习技术已被用于直接从数据中建模复杂结构行为,但现有剪力墙数据集往往有限或异质,且机器学习预测的可靠性在很大程度上取决于模型开发和验证策略。特别是,需要在超参数优化与最终模型评估之间进行明确分离,以获得对未见数据预测性能的可靠估计。

二、研究内容与总体结论

针对上述问题,本研究聚焦于矩形截面和I形截面的钢筋混凝土剪力墙,从ACI 445B剪力墙数据库(ACI 445B Shear Wall Database)中提取了208个循环加载试验试件作为最终数据库,其中包含106个矩形墙和102个I形墙。研究采用三种基于树的机器学习回归器——极端随机树(Extra Trees, ET)、随机森林(Random Forest, RF)和极限梯度提升(XGBoost),通过嵌套交叉验证(nested cross-validation)进行超参数优化,并构建堆叠集成(stacking ensemble)模型以提升预测精度。数据集按目标变量分位数分层划分为80%开发子集和20%独立留出测试子集,模型开发和超参数优化仅在开发子集内进行,测试子集在最终评估前保持完全不可见。模型性能采用决定系数R2、平均绝对误差(mean absolute error, MAE)和均方根误差(root mean squared error, RMSE)进行评估,并与Abdullah和Wallace提出的经验公式进行对比。
研究结果表明,机器学习方法在独立测试数据上表现出较强的预测性能。堆叠集成模型取得了最佳综合结果,R2=0.84,MAE=0.44%,RMSE=0.64%,优于任一单独回归器。与经验公式相比,堆叠集成模型获得了显著更高的决定系数(0.84对0.52),表明其能更好地表征位移角容量的观测变异性。该研究的意义在于验证了数据驱动模型作为传统经验方法补充工具的有效性,为抗震评估和基于性能的设计提供快速估算剪力墙变形能力的手段。

三、关键技术方法

研究人员采用了以下主要技术方法:从ACI 445B剪力墙数据库(ACI 445B Shear Wall Database)中筛选出208个矩形和I形截面钢筋混凝土剪力墙试件,构建了包含几何、荷载和配筋参数的试验数据库;采用三种基于树的集成回归器,即极端随机树(Extra Trees, ET)、随机森林(Random Forest, RF)和极限梯度提升(XGBoost);采用嵌套交叉验证框架,外层五折用于估计泛化性能,内层五折用于超参数网格搜索优化;构建堆叠集成模型,以Ridge回归作为元学习器组合三个基学习器的输出;采用分层抽样按目标变量分位数将数据划分为开发子集和独立留出测试子集。

四、研究结果

输入参数与位移角容量的关系分析。 通过直方图、散点图和Pearson相关矩阵分析发现,各输入参数与位移角容量之间的线性相关性普遍较弱至中等。墙长厚比(Lw/tw)与位移角容量呈中等负相关(r=?0.29),归一化剪切系数呈稍强负相关(r=?0.34),最大横向钢筋间距与纵筋直径比呈中等负相关(r=?0.35),而轴压比与位移角容量的线性关系几乎可忽略(r=0.02)。腹板水平配筋率呈最弱正相关(r=0.36)。这些结果证实位移角容量受多变量非线性交互作用控制,而非单一参数主导。
模型性能比较。 在独立42个试件的留出测试子集上,随机森林(Random Forest)在单独回归器中取得最高测试集R2=0.80,极端随机树(Extra Trees)和XGBoost均达到R2=0.78。堆叠集成模型取得最佳综合性能,R2=0.84,MAE=0.44%,RMSE=0.64%。嵌套交叉验证结果中,随机森林取得最高平均R2=0.58,极端随机树为0.54,XGBoost为0.52。
位移角区间误差分析。 按位移角容量将测试子集划分为≤1%、1–2%、2–3%和>3%四个区间进行分析。测试子集中包含21个位移角≤1%的试件、6个1–2%区间试件、8个2–3%区间试件和7个>3%区间试件。对于位移角不超过3%的试件,四种模型的预测误差均相对有限。但对于位移角超过3%的试件,所有模型均表现出显著增大的MAE和RMSE以及负向平均偏差,表明存在系统性低估高位移角容量的趋势。堆叠集成模型在此区间取得最低误差(MAE=1.04%,RMSE=1.21%),并将平均偏差幅度降至?0.84%,但未能消除该趋势。这一现象与试验数据中高位移角试件代表性不足有关。
与经验公式的对比。 将堆叠集成模型与Abdullah和Wallace经验公式在可用参数子集上进行比较。堆叠集成模型获得显著更高的R2=0.84,而经验公式为0.52;MAE分别为0.44%和0.48%;RMSE分别为0.64%和0.56%。这表明机器学习模型对位移角容量观测变异性的表征能力明显优于经验公式,尽管基于误差的指标量级相当。

五、讨论与结论

讨论部分指出,堆叠集成模型通过组合各基学习器的互补预测模式,比单独使用任一模型获得了更优的性能。但研究同时强调,集成模型在剪力墙和柱两类构件上的良好表现不应被解读为单一建模策略具有普遍最优性,各回归器的相对性能、集成改进幅度和预测误差仍取决于结构类型、可用预测变量和试验数据库的统计特征。区间误差分析揭示了预测精度在位移角容量范围内并不均匀,高位移角试件的系统性低估与试验数据中该类试件代表性不足有关,提示对上限范围的预测应谨慎解读。
研究结论可翻译如下:本研究考察了基于树的机器学习模型在预测矩形和I形截面钢筋混凝土剪力墙位移角容量方面的应用。对包含208个试验的数据库,采用极端随机树、随机森林、XGBoost和堆叠集成模型进行分析,模型性能通过开发子集内的嵌套交叉验证和独立留出测试子集上的单次评估进行验证。统计分布、散点图和相关性分析揭示了输入参数与位移角容量之间普遍较弱的线性关系,证实剪力墙位移角容量受多变量非线性交互作用控制。与Abdullah和Wallace经验公式相比,机器学习模型获得了显著更高的决定系数,表明其能更好地表征位移角容量的观测变异性。在单独回归器中,随机森林取得最高测试集R2=0.80,极端随机树和XGBoost均达到0.78。堆叠集成模型取得最佳综合性能,R2=0.84,MAE=0.44%,RMSE=0.64%。然而,对于位移角超过3%的试件,所有模型均表现出增大的误差和系统性低估趋势,这与试验数据中高位移角试件代表性不足有关。总体而言,本研究强化了机器学习作为传统经验模型补充方法在位移角容量预测中的潜力,同时强调了严格模型验证和试验数据中响应范围充分代表性的重要性。所开发的模型可支持初步抗震评估和基于性能的应用中墙体变形能力的快速估算,而详细结构分析仍是最终设计和安全评估所必需的。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号