基于可解释机器学习的分析方法，用于研究影响拼接玻璃纤维增强聚合物棒界面性能的关键参数

《Scientific Reports》：Explainable machine learning-based investigation for influential parameters towards interfacial capacity of spliced glass fiber reinforced polymer bars

　　

摘要

在实际应用中，由于钢筋长度的限制，经常需要拼接玻璃纤维增强聚合物（GFRP）筋。这会影响维持混凝土与钢筋之间平衡的粘结应力。此外，目前缺乏利用机器学习方法来估算拼接GFRP增强梁的粘结强度以及解释相关有效参数的技术。因此，本文采用机器学习（ML）模型（包括普通最小二乘回归（OLS）、人工神经网络（ANN）和极端梯度提升算法（XGBoost））来预测拼接GFRP增强梁的界面性能，并将这些模型与现有的模型进行比较。研究从相关梁试验中收集了120个样本的数据作为数据库。在所有机器学习模型中，XGBoost模型的表现最佳：训练集的R2值为0.97，测试集的R2值为0.93，而其他对比模型则未能达到这一水平。此外，还通过一种可解释的人工智能（xAI）方法——具体来说是SHapley Additive exPlanations（SHAP）技术，并结合XGBoost模型，对影响粘结强度的参数进行了深入分析。分析结果表明，钢筋的抗拉强度、拼接长度和钢筋直径是影响粘结性能的最关键因素。基于这些分析结果，本文提出了一种新的模型，用于根据主要影响因素估算拼接GFRP筋的粘结强度。实验结果表明，该模型的预测性能与现有的经验模型相当。