《Case Studies in Construction Materials》:Engineering-oriented evaluation of machine learning models for shear capacity prediction of reinforced concrete beams across structural regimes and extreme conditions
编辑推荐:
采用1849个试验性钢筋混凝土(RC,Reinforced Concrete)梁试件对6种机器学习(ML,Machine Learning)模型进行评价;评估模型准确性、稳定性、鲁棒性、可解释性和物理一致性;按结构区制(regime-wise)分析显示,在困难
采用1849个试验性钢筋混凝土(RC,Reinforced Concrete)梁试件对6种机器学习(ML,Machine Learning)模型进行评价;评估模型准确性、稳定性、鲁棒性、可解释性和物理一致性;按结构区制(regime-wise)分析显示,在困难结构条件下模型性能出现明显退化;LightGBM(Light Gradient Boosting Machine)提供最佳数据驱动精度,而CSA(Canadian Standards Association)设计规范仍为强力学基准。
研究背景与问题:钢筋混凝土(RC,Reinforced Concrete)梁抗剪承载力(shear capacity)预测受骨料咬合、销栓作用、残余拉应力、拱作用与斜压杆作用等多机制耦合影响,且剪切破坏常呈脆性与突发性。传统力学模型和ACI(American Concrete Institute)、CSA(Canadian Standards Association)等设计规范方程依赖简化假定与经验校准,难以统一刻画有效深度、配筋率、混凝土强度及剪切跨深比(a/d,shear span-to-depth ratio)等参数影响。机器学习(ML,Machine Learning)可拟合非线性关系,但以往研究多重视R
2(coefficient of determination,决定系数)、MAE(Mean Absolute Error,平均绝对误差)、MAPE(Mean Absolute Percentage Error,平均绝对百分比误差)和RMSE(Root Mean Squared Error,均方根误差)等总体精度,较少在统一框架中系统考察重复随机种子下的稳定性、跨结构区制与极端强度泛化、SHAP(Shapley Additive Explanations,Shapley加性解释)解释、物理一致性、输入扰动鲁棒性及与规范方程比较;部分研究样本量较小,结构区制、失效模式与极端强度覆盖有限。Ni et al.、Shu et al.等虽提升精度与可解释性,但未充分统一评估不同区制、失效类型和极端范围。Wang et al. (2026)、Liu et al. (2026)等将ML用于可靠性、风险决策与多目标优化,进一步说明需从“精度导向”转向“可信性导向”评价。因此,研究人员基于1849个RC梁试验样本构建统一基准,评价六种ML模型在准确性、稳定性、区制依赖性、极端工况、可解释性、物理一致性和扰动鲁棒性方面的表现,并与ACI/CSA方程比较;结论是LightGBM总体数据驱动精度最佳,但高基线精度不等于抗扰性,ANN(Artificial Neural Network,人工神经网络)与SVR(Support Vector Regression,支持向量回归)在扰动下更稳健。该研究为工程选用ML模型和规范基准比较提供了可信性评价依据。
关键技术方法(不超过250字):研究人员采用Collins数据库构建1849个传统钢钢筋混凝土无箍筋梁试验样本队列;输入包括腹板宽度(b
w,web width)、翼缘宽度(b)、有效深度(d,effective depth)、a/d、纵向配筋率(ρ
w,longitudinal reinforcement ratio)、混凝土抗压强度(f′
c,concrete compressive strength)、最大骨料粒径(a
g)、钢筋屈服强度(f
y)及荷载类型,输出实测抗剪承载力(V
u);数值变量作ln(1+x)变换和标准化,分类荷载作one-hot编码;按a/d分层划分72%/8%/20%训练/验证/测试集,采用10折分层交叉验证和Optuna调参;比较ANN、SVR、随机森林(RF,Random Forest)、XGBoost(Extreme Gradient Boosting,极端梯度提升)、LightGBM(Light Gradient Boosting Machine,轻量梯度提升机)、CatBoost(Categorical Boosting,类别提升);以15个随机种子重复训练,开展SHAP、单调性、蒙特卡洛参数扰动、Wilcoxon符号秩检验及ACI/CSA比较。
研究结果:
5.1 整体性能:六种模型R
2为0.88~0.92,MAE为18.25~22.02 kN;LightGBM取得最低MAE与RMSE及最高R
2,RF表现最差;ANN与SVR具有竞争力;LightGBM计算效率较好,RF预测延迟最大,ANN训练时间最长。
5.2 模型稳定性分析:重复运行下XGBoost与LightGBM中心MAE较低,但各模型MAE分布明显重叠,四分位距未显示清晰稳定性优势;RF存在高MAE运行;XGBoost训练与验证误差差异较明显,ANN后期收敛曲线振荡。
5.3 区制性能:5.3.1 剪切主导与非剪切主导梁:所有模型对剪切主导试件误差更大;剪切主导下LightGBM的MAE最低,非剪切主导下SVR最低,RF在两类中均最高。5.3.2 a/d区制:深梁MAE约38~45 kN,过渡梁约10~13 kN,细长梁不超过7 kN;深梁误差约为过渡梁3~4倍、细长梁7~9倍;XGBoost在深梁和细长梁中MAE最低,RF最差;Huber型损失与统一超参数优化未消除区制困难。
5.4 极端工况性能:5.4.1 极端工况定义:以V
u第90百分位为阈值,V
u=310.7 kN及以上为极端试件。5.4.2 极端区制预测退化:所有模型在极端试件上RMSE显著升高,LightGBM平均RMSE最低,RF最高;极端区制重复运行标准差更大。5.4.3 误差随抗剪承载力分布:低至中等抗剪强度区残差近似对称并围绕零;高抗剪强度区LOWESS趋势向负值移动,模型倾向低估高值;SVR偏差较小,RF下偏最强。
5.5 可解释性(SHAP与交互):5.5.1 全局与区制特征重要性:LightGBM中a/d最重要,其次d、b
w、ρ
w、b、f′
c,荷载类型重要性可忽略;a/d增大对应负贡献,d、b
w、ρ
w、f′
c增大对应正贡献;深梁中a/d贡献远大于其他区制,过渡区制中d与b
w贡献较大;深梁最低a/d区间和最大d区间平均|SHAP|与MAE较大,ρ
w最低区间MAE较大,b
w中间区间MAE最高、最高区间平均|SHAP|最大;|SHAP|与绝对相对误差的Spearman相关系数仅?0.11~0.15,深梁误差不能归因于单一特征。5.5.2 特征贡献模式与交互:a/d的SHAP响应非线性,低至中等a/d下降陡、高a/d变化缓;f′
c呈近似单调增;交互效应弱于个体效应;高f′
c与高ρ
w对应更大SHAP值。
5.6 单调性检验:所有模型对a/d的相关系数为?0.96~?0.99,对f′
c和ρ
w为0.96~0.99,反转数为零;学习关系方向与工程认识一致,但该结果不表示关系强度或工程显著性。
5.7 参数特定输入扰动下鲁棒性:蒙特卡洛参数扰动后所有模型MAE与RMSE升高;XGBoost最敏感,MAE与RMSE平均增加27.68%与23.06%;LightGBM和CatBoost也较敏感,RF居中,ANN最不敏感(6.01%与3.83%),SVR为7.77%与5.24%;扰动下SVR平均MAE最小、ANN平均RMSE最低;基线精度高不等于扰动鲁棒性强。
5.8 与设计规范预测比较:5.8.1 与ACI/CSA总体比较:同一测试试件上LightGBM的MAE、RMSE、MAPE和R
2分别为18.31 kN、40.85 kN、0.12和0.92,优于ACI的42.93 kN、91.74 kN、0.30和0.60及CSA的30.04 kN、52.52 kN、0.21和0.87;LightGBM预测/实测比q=V
pred/V
exp接近1,ACI与CSA呈低估倾向;CSA为较强力学基准,原文提出可采用V
hybrid=λ
CSAV
CSA+(1?λ
CSA)V
ML进行物理-数据混合。5.8.2 极端条件比较:极端试件上所有方法MAE显著升高;LightGBM极端MAE约77 kN,CSA约113 kN,ACI约174 kN,LightGBM在极端与非极端试件上均表现最佳。
讨论部分总结:原文指出模型输出为确定性点估计,数据库来自不同试验且缺少试件级不确定性与完整元数据,影响外部泛化;预测误差不能直接作为结构可靠性与规范安全指标,需独立验证并按Wang et al. (2026)的可靠性方法识别不确定性、建立极限状态、计算失效概率与可靠指标并校准抗力分项系数。模型仅适用于传统钢筋RC梁且参数应位于数据库范围,不宜直接用于FRP增强或预应力结构;未来可研究迁移学习。当前六种ML模型与ACI、CSA方程为分别基准比较,尚未集成为统一预测平台;按Liang et al. (2026)思路可并列部署预测方法,但需预处理与模型联合序列化、依赖管理、版本控制、API设计、多环境测试、外部验证及不确定性/可靠性评估。研究代码与训练模型以研究notebook和模型artifacts形式保存,可向通讯作者合理请求获取。
研究结论翻译:该研究旨在利用包含1849个试验试件的数据库,评估不同ML模型预测RC梁抗剪承载力的预测能力、鲁棒性与物理合理性;研究人员用Optuna优化ANN、SVR、RF、XGBoost、LightGBM与CatBoost,并通过重复试验测试,除精度外还评价预测稳健性、区制性能、极端工况、可解释性、物理有效性、输入变化敏感性及与设计规范方程比较。结论为:所有ML模型均具有较高预测能力,R
2为0.88~0.92;LightGBM表现最佳,平均MAE与RMSE分别为18.25 kN与40.45 kN;与规范方程相比,LightGBM的MAE、MAPE、RMSE更低且R
2更高,CSA优于ACI但未超过LightGBM。稳定性分析中,XGBoost与LightGBM重复运行中心MAE较低,但MAE分布明显重叠,四分位距未显示明确稳定性优势。区制分析表明预测难度受结构区制显著影响,剪切主导试件和深梁更难预测,深梁MAE显著升高,拱作用可能增加学习参数-抗剪关系难度,XGBoost与LightGBM在各区制表现相对较好。极端工况分析显示上尾抗剪承载力预测性能大幅下降,所有方法极端试件误差显著增大,残差分析显示模型倾向低估高抗剪承载力;尽管如此,LightGBM在六种ML模型中极端条件下平均RMSE最低,且相对ACI与CSA的极端区制MAE最低。SHAP分析表明LightGBM最重要因素为a/d、d、b
w与ρ
w,与RC抗剪认识一致;单调性分析显示a/d增大降低预测抗剪承载力,f′
c与ρ
w增大提高预测抗剪承载力,未检测到反转,方向与评估数据域内预期一致。鲁棒性测试表明高预测精度不总等于抗输入噪声,LightGBM基线MAE与RMSE最低,但boosting方法在输入扰动下误差增量更大;ANN与SVR虽基线误差略高,但对输入噪声更稳健。