基于机器学习的焊接加固圆形钢管屈曲抗力预测公式

《Journal of Constructional Steel Research》:Machine learning-based prediction formulas for buckling resistance of welding-strengthened circular steel tubes

【字体: 大 中 小 】 时间:2026年10月24日 来源:Journal of Constructional Steel Research 4.6

编辑推荐:

   • 利用包含800个样本的热力耦合有限元数据库开发了四个机器学习模型。 • DCN模型对稳定系数、焊接挠度和后加固应力的预测效果最佳。 • 基于SHAP导出的结构关系开发了一个实用的设计公式。 • 所提出的公式在精度上优于现有模型和规范条款。 引言 钢管结构因其优异的结构

  

• 利用包含800个样本的热力耦合有限元数据库开发了四个机器学习模型。
• DCN模型对稳定系数、焊接挠度和后加固应力的预测效果最佳。
• 基于SHAP导出的结构关系开发了一个实用的设计公式。
• 所提出的公式在精度上优于现有模型和规范条款。

引言

钢管结构因其优异的结构性能,被广泛应用于展览馆、体育场馆和铁路站台等大跨度公共建筑中[1]。经过长期使用后,这些现有的钢管结构往往需要加固和加强,以满足当前的使用需求。这种需求的产生通常源于两个主要场景:(1) 功能升级改变了荷载的大小和分布模式,从而对结构抗力提出了更高的要求[2],[3];(2) 因老化、损伤或腐蚀导致的结构性能退化[4],[5]。与完全拆除重建相比,加固和加强能够最大限度地利用现有结构资产,是一种更经济、更实用、更可持续的解决方案。

已经开发了多种技术来提高钢管结构中圆管空心截面(CHS)构件和无加劲CHS节点的承载能力,例如缠绕纤维增强聚合物(FRP)复合材料[6],[7],[8]、灌注或包裹混凝土[9],[10]、安装螺栓连接的套筒进行屈曲约束[11],[12],[13],[14],[15],以及焊接附加钢板[16],[17],[18]。这些加固技术各有其特点和适用条件,适当的选择通常取决于所需的加固目标、结构形式和施工条件。对于具有大直径弦杆和高承载需求的钢管结构,焊接附加钢板是一个实用的选择,因为它能够同时提高加固构件的平面内抗压性能和平面外抗弯性能,并且可以应用于CHS构件和无加劲CHS节点。此外,焊接技术的成熟度和焊接连接的耐久性也进一步促进了其在钢结构改造中的应用。在上海体育场大跨度钢管网架屋面的改造中[3],[17],采用了一种焊接加固方案,如图1所示。在该方案中,四块弧形盖板(CP)包裹在原始构件(OM)周围,并通过纵向焊缝连接,形成一个完整的加固管(ST),再与OM焊接以增强CHS构件和节点的力学性能。该方法不改变结构外观,因此在工程实践中受到建筑师的青睐。

关于焊接加固钢构件的受压行为,已开展了大量研究。早期的实验[19],[20],[21],[22]考察了在使用荷载下通过焊接附加钢板加固的粗短H型钢柱的屈曲抗力。然而,由于试件数量有限,且此类粗短构件对几何缺陷的敏感性本征较低,使用荷载影响后加固屈曲抗力的基本机理尚未得到充分阐明。随着有限元(FE)技术的发展,简化的数值模型被用于加固构件的屈曲分析[23],[24],[25],[26],[27]。这些有限元模型通常包含两阶段加载历史,即使用加载阶段和后加固阶段。复杂的焊接加固过程在这些分析中被省略(或通过引入初始缺陷进行简化)。例如,Erfani等人[27]基于包含放大几何缺陷的有限元模拟,提出了与服务荷载相关的屈曲抗力折减系数。然而,所采用的缺陷值仍然基于假设,缺乏明确的机理性论证。

最近,研究重点已扩展到具有其他截面类型的受压构件加固,包括箱形截面[2],[28]、角形截面[29],[30]和CHS[16],[31],[32],[33]。对大长细比CHS构件的实验研究表明,在高使用荷载下焊接加固会引发显著的弯曲变形,导致与无荷载状态下加固的构件相比,后加固屈曲抗力显著降低[33]。多物理场数值模拟和计算能力的进步使得耦合热力有限元模拟成为实验研究的有力补充[16],[29],[31],[34],[35]。这些模拟能够捕捉焊接加固构件的全范围行为(包括加固前的使用荷载、焊接和后加固加载阶段),从而能够准确考虑焊接引起的变形和残余应力重分布。基于耦合热力有限元结果的回归分析,Liu等人[28],[31]建立了屈曲抗力折减系数的经验公式,将其与服务荷载水平和几何参数(包括长细比和截面尺寸)相关联。类似地,Yan等人[34],[36]开发了焊接引起的挠度和残余应力的预测模型,并进一步提出了加固CHS构件屈曲抗力的相应设计方法。然而,由于这些模型主要从有限参数范围内的实验和数值数据中推导得出,其通用适用性仍然受到特定参数边界的限制。

尽管耦合热力有限元模拟已被证明在再现焊接加固过程中的复杂热力学行为方面是有效的,但其复杂的建模和高计算成本限制了其在快速性能评估和工程设计中的实用性。随着人工智能的快速发展,机器学习(ML)技术越来越多地被用作预测非线性结构响应的有效替代工具[37],[38]。Sheidaii和Bahraminejad[39]、Sharif等人[40]以及Tahir等人[41]分别采用人工神经网络(ANN)预测钢受压构件的屈曲或屈曲后行为、开槽钢梁和轴向受压圆柱壳的行为。Mustafa[42]比较了ANN、随机森林(RF)和K近邻(KNN)在钢柱抗力预测中的表现,而Shahin等人[43]将ANN与优化算法结合,用于预测冷弯钢槽钢的腹板压溃抗力。Rabi等人[44]基于大型有限元数据库采用ANN、支持向量回归(SVR)和基因表达式编程预测高强钢梁的腹板屈曲后抗力,并进一步开发了基于机器学习的设计公式。机器学习的应用也已扩展到钢-混凝土组合构件和结构连接。对于混凝土填充钢管(CFST)体系,Ahmadi等人[45],[46],[47]应用ANN和混合智能方法预测轴向抗力和钢约束混凝土的抗压强度,并开发了高强CFST柱抗压抗力的简化表达式。Wang和Chan[48]、Ly等[49]、Sarir等[50]以及Asteris等[51],[52]开发了基于ANN、SVR、RF和混合智能的方法,用于预测CFST柱的轴向抗力,而分类提升(CatBoost)、极端梯度提升(XGBoost)和自适应提升(AdaBoost)等集成学习算法已被应用于受轴向或冲击荷载作用的CFST构件[53],[54]、管节点[55]以及混合钢连接[56]。这些研究表明,机器学习在高效预测钢和组合结构系统的抗力和破坏行为方面具有强大潜力。然而,现有的应用主要集中在常规构件和连接上。很少有关于利用机器学习预测焊接加固过程中力学响应以及在使用荷载下加固的钢构件随后屈曲抗力的研究。

除了在预测精度方面的改进之外,越来越多的关注被投入到可解释的机器学习技术中,特别是SHapley加法解释(SHAP),以提高模型透明度并揭示结构参数对机器学习预测的影响。Y?lmaz等人[57],[58]采用SHAP解释CHS撑杆和冷弯钢梁柱的承载能力,而Simwanda等[59]应用SHAP识别控制冷弯钢梁畸屈抗力的几何参数。对于结构连接,Chen等[60]使用SHAP解释焊接CHS管节点强度的机器学习预测。最近,SHAP还被应用于受损钢梁的剩余承载能力[61]和钢梁柱连接的抗震性能[62]。与受压构件特别相关的是,Asteris等[63]开发了基于ANN的框架来预测椭圆形CFST柱的轴向承载能力,并利用SHAP量化关键几何和材料参数的影响,同时提供了显式预测方程和图形设计工具以供实际应用。总体而言,这些研究表明SHAP在识别影响性特征和揭示结构机器学习模型中非线性参数-响应关系方面的有效性。然而,SHAP主要用于特征重要性评估和事后模型解释。尽管一些最近的研究进一步提供了基于机器学习的方程或工程工具,但将SHAP导出的结构关系直接转化为力学导向的设计规定仍然相对有限,特别是对于其稳定性受使用荷载、焊接引起的变形、残余应力、构件长细比和加固参数耦合效应控制的焊接加固受压构件。

在之前的研究中[33],[34],作者研究了通过焊接四块弧形CP加固的CHS构件的力学行为,如图1所示。在此基础上,本研究开发了机器学习模型,基于综合的热力耦合数值数据库进行训练,以高效准确地预测此类加固CHS构件的屈曲抗力、焊接引起的横向挠度和残余截面应力。更重要的是,本研究不仅仅将SHAP用于特征重要性评估或事后解释,而是进一步将SHAP揭示的结构关系转化为实用的稳定设计方法。具体来说,SHAP分析识别了控制参数及其相互作用,基于此研究随后开发了服务荷载引起的抗力折减系数和焊接加固CHS构件的柱曲线选择准则。因此,所提出的框架建立了耦合热力模拟、可解释机器学习和显式工程设计规定之间的联系。第2节详细介绍了热力耦合有限元模型的开发和实验验证,基于此生成了包含800个样本的数值数据库,涵盖实际参数范围。第3节介绍了使用四种机器学习算法(包括KNN、AdaBoost、ANN和深度交叉网络(DCN))构建的预测模型的开发和性能评估。第4节对最优模型应用SHAP分析,并将这些见解转化为实用的设计方法,用于预测焊接加固CHS构件的屈曲抗力。第5节总结了主要结论。

符号表

A? — 原始构件(OM)的截面积
As — 加固管(ST)的截面积
d? — OM的外径
fy? — OM的屈服强度
fys — 盖板(CP)的屈服强度
I? — OM的截面惯性矩
Is — ST的截面惯性矩
P? — 加固前施加的使用荷载
Pu? — OM的极限抗力
Pu — 加固构件的极限抗力
Py? — OM截面的塑性抗力
R — 服务荷载引起的抗力折减系数
SHAPy,base — SHAP基线值

有限元建模方法

在文献[33]中,进行了一项实验计划,以评估采用图1所示方案加固的Q355热轧CHS构件的轴向受压性能,包括一个未加固的试件作为基准和四个在不同使用荷载水平下加固的试件。试验程序按三个顺序阶段执行:(1) 对OM施加并保持恒定的轴向荷载以模拟服役条件;(2) 安装并焊接盖板…

模型开发

本节的主要目的是开发机器学习模型,以准确预测在使用荷载下通过焊接弧形盖板加固的轴向受压CHS构件的关键力学响应。如前所述,这些响应用三个无量纲输出目标表示:φ、αΔ和ασ。输入特征与这些结构响应之间的关系涉及显著的非线性和参数相互作用。从结构力学角度…

全局解释

尽管机器学习模型已成功预测了焊接加固CHS构件的力学行为,但其固有的"黑箱"性质限制了对输入特征与模型输出之间关系的直接解释。基于合作博弈论的SHapley加法解释(SHAP)方法提供了一个直观的框架,通过量化每个特征对输出的边际贡献来解释机器学习模型预测[82]。因此,对于目标y…

结论

本研究提出了一种基于机器学习(ML)的方法,用于预测在使用荷载下通过焊接盖板加固的圆管空心截面(CHS)构件的力学行为。通过经验证的顺序耦合热力有限元分析生成了一个包含800个样本的综合数值模拟数据库。利用该数据库,开发并评估了四种代表性的机器学习模型,包括KNN、AdaBoost、ANN和DCN。

作者贡献声明

吕佳峰:撰写—初稿,可视化,验证,方法论,调查,形式分析,数据管理。
严苏:撰写—初稿,可视化,验证,软件,调查。
严深:撰写—审阅与编辑,监督,资源,项目管理,方法论,调查,资金获取,概念化。

赵现忠:资源获取、调查研究、形式分析、概念构思。

利益冲突声明

作者声明不存在已知可能影响本文所报道工作的竞争性经济利益或个人关系。

吕佳峰 | 苏岩 | 严慎 | 赵现忠
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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