基于集成学习(Ensemble Learning)模型与Shapley加性解释(SHAP, Shapley Additive Explanations)的纤维增强聚合物(FRP, Fiber Reinforced Polymer)–木材界面粘结行为预测建模及参数影响分析

《Next Materials》：Predictive modeling and parametric influence of fiber reinforced polymer-timber interfacial bond behavior via ensemble learning models and shapley additive explanations

　　

摘要：纤维增强聚合物(FRP, Fiber Reinforced Polymer)复合材料与木材之间的界面粘结强度(Interfacial Bond Strength, IBS)易因FRP–木材界面剥离(Debonding)而发生早期破坏。现有关于此课题的研究主要集中于试验与解析方法，应用更稳健的机器学习技术预测FRP–木材IBS仍较为有限。为解决这一不足，本研究采用四种集成学习(Ensemble Learning)算法预测FRP–木材界面IBS。研究人员整理包含358个FRP–木材试件且涵盖主要影响材料与几何参数的综合数据集，机器学习模型在训练集与测试集上的性能分析表明CatBoost算法对FRP–木材属性与IBS之间关系的捕捉能力最强，CatBoost精度最高，训练集与测试集决定系数(R2)分别为0.921与0.954。通过Shapley加性解释(SHAP, Shapley Additive Explanations)分析进一步获得见解，确定FRP抗拉强度与FRP粘结长度为影响IBS最显著的参数。研究结果表明，基于几何与材料属性，CatBoost在准确预测FRP–木材复合材料IBS方面具有良好的应用潜力。

研究背景与意义

纤维增强聚合物(Fiber Reinforced Polymer, FRP)因其轻质、高强、耐腐蚀等特性被广泛用于木结构加固补强，但FRP–木材复合体系的主要失效模式为FRP与木材界面的早期剥离(Debonding)，使界面无法发挥极限承载力。现有的FRP–混凝土界面粘结强度(Interfacial Bond Strength, IBS)与粘结滑移(Bond–Slip)模型较成熟，而FRP–木材界面粘结特性的研究相对匮乏；已有的FRP–木材经验回归模型多依赖特定试验数据集，泛化性差，且无法直接套用FRP–混凝土模型（木材与混凝土材料属性及粘结行为存在本质差异）。因此有必要建立数据驱动、可捕捉非线性关系且具有良好泛化能力的FRP–木材IBS预测模型，并量化各几何与材料参数对粘结行为的影响。本文由Sarmed Wahab、Muhammad Basit Ehsan Khan与Shahzaib Farooq撰写，发表于《Next Materials》，研究人员通过收集已发表文献中FRP–木材单剪(Pull–Shear / Single–Shear)试验数据构建358组样本数据集，采用四种基于树的集成学习(Ensemble Learning)算法预测IBS，并以表现最优的CatBoost模型进行Shapley加性解释(Shapley Additive exPlanations, SHAP)参数敏感性分析，明确关键影响因素及其作用方向，为FRP–木材复合材料加固设计提供定量依据。

主要关键技术方法

研究人员从已发表文献中搜集FRP–木材单剪拉剪(Pull–Shear)试验数据，构建含358个试件的数据集，输入变量包括木材长度(L_t)、木材宽度(B_t)、木材深度(D_t)、木材类型(硬木/软木/LVL等编码为1–5)、FRP粘结长度(L_f)、FRP粘结宽度(B_f)、FRP厚度(T_f)、FRP类型(CFRP板/CFRP片材/FFRP编码为1–3)、FRP抗拉强度(TS, Tensile Strength)，输出变量为界面粘结强度IBS(P_u)。按8∶2划分训练集与测试集，分别建立极端梯度提升(Extreme Gradient Boosting, XGBoost)、类别提升(CatBoost)、轻量梯度提升机(Light Gradient Boosting Machine, LightGBM)与随机森林(Random Forest, RF)四种树基集成学习模型，采用网格搜索与迭代遍历结合方式进行超参数调优，以决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)及A20指数评价模型性能。选用测试集R²最高且泛化能力最好的CatBoost模型输出结果，借助SHAP框架计算各输入特征对IBS的平均绝对Shapley值及单个样本贡献，进行全局与局部参数影响分析。

研究结果

3.1. Development of ML models（机器学习模型建立）

研究人员介绍了XGBoost、CatBoost、LightGBM和RF四种集成学习算法的原理与防过拟合机制（XGBoost采用L1/L2正则化，CatBoost采用目标编码与有序提升Ordered Boosting，LightGBM采用按叶子生长Leaf–wise策略与单边梯度采样GOSS，RF采用自助法Bootstrap抽样与随机特征子集），说明树基模型不需对输入特征做归一化处理。经超参数寻优后，CatBoost设定迭代197次、最大深度5、学习率0.116、l2_leaf_reg=0.1；XGBoost为35棵 estimator、最大深度6、学习率0.1、subsample=0.646、colsample_bytree=0.875；LightGBM为num_leaves=7、num_boost_round=147、最大深度6、学习率0.275；RF为440棵estimator、最大深度10、min_samples_split=2、min_samples_leaf=1。

3.2. Pull shear test（拉剪试验）

说明FRP–木材界面粘结性能多采用单剪试验测定，轴向拉力作用于FRP，通过应变片监测沿粘结长度应变分布，LVDT测量FRP与木材间相对滑移，加载速率宜较慢以保证数据准确。

3.3. Dataset curation（数据集整理）

数据集来自文献[24][25][27][42]，共358组，含硬木115组、软木112组、LVL 86组、樟子松(Pinus sylvestris var. mongolica)27组、俄罗斯松木12组；FRP类型含CFRP片材238组、CFRP板102组、亚麻FRP(Flax FRP, FFRP)18组。Pearson相关分析显示FRP粘结长度(r≈0.57)、木材宽度(r≈0.56)、FRP抗拉强度(r≈0.54)、FRP厚度(r≈0.43)、FRP类型(r≈0.32)与IBS呈较明显正相关，木材长度与IBS相关性最低，证实仅FRP与木材实际粘结部分显著影响IBS。

3.4. Model development（模型开发）

研究人员说明采用80%训练、20%测试的数据划分，以网格搜索与迭代方式调参，使用MAE、RMSE与R²三个指标评价性能，给出计算公式，并指出树基模型不受特征量纲影响故未做归一化。

4. Performance of ML models（机器学习模型性能）

训练集R²：XGBoost 0.901、LightGBM 0.901、CatBoost 0.921、RF 0.948；测试集R²：CatBoost 0.954、LightGBM 0.951、XGBoost 0.942、RF 0.811。RF在训练集过拟合明显（训练与测试R²差距大），泛化能力差。CatBoost测试集RMSE=2.229 kN、MAE=1.525 kN，训练与测试指标接近，泛化性最佳，被选为最优模型用于后续解释分析。LightGBM与XGBoost测试性能亦较好但略低于CatBoost。

5. Parametric analysis（参数分析——基于SHAP）

以CatBoost预测结果为基准进行SHAP分析，基准平均IBS为16.45 kN。SHAP摘要图表明特征重要性排序前四位依次为FRP抗拉强度(TS)、FRP粘结长度(L_f)、木材宽度(B_t)、FRP厚度(T_f)。增大FRP抗拉强度、FRP粘结长度、FRP粘结宽度、FRP厚度、木材长度及木材深度均对IBS产生正向贡献；CFRP板与FFRP较CFRP片材利于提高IBS；硬木较软木、LVL等具正向贡献。

5.1. FRP tensile strength（FRP抗拉强度）

SHAP值随FRP抗拉强度升高而增加，CFRP板抗拉强度常＞3000 MPa，高于CFRP与FFRP片材。但因木材抗拉强度远低于FRP，FRP全抗拉能力在FRP–木材体系中无法被完全发挥，木材自身抗拉性能也参与控制界面剥离起始与扩展，选抗拉强度＞3000 MPa的FRP可在不过度增加用量前提下提升加固效率。

5.2. FRP bond length（FRP粘结长度）

SHAP值随FRP粘结长度增加呈线性上升趋势，但在超过有效粘结长度(Effective Bond Length)后IBS不再显著提高（与既有断裂力学结论一致）。本数据集范围内，FRP粘结长度＞150 mm对IBS具正向影响，建议粘结长度不小于150 mm以确保充分应力传递并减少早期剥离。

5.3. Timber and FRP width（木材与FRP宽度）

SHAP分析显示增大FRP宽度（即减小FRP–木材宽度比）使粘结面积增大、界面剪应力分布更均匀，降低最大剪应力与滑移，从而提升IBS；过小FRP宽度导致应力集中引发早期界面失效。

5.4. FRP Thickness（FRP厚度）

FRP刚度取决于弹性模量与厚度，增大FRP厚度提高其刚度和荷载传递能力，SHAP值为正，且与高FRP抗拉强度联合作用进一步增强IBS。

5.5. Timber type（木材类型）

仅硬木(Hardwood)获正SHAP值，其余类型（软木、LVL、俄松、樟子松）为负值，反映硬木通常具更高抗拉强度与弹性模量，界面粘结刚度更大、滑移更小，利于提高IBS。

讨论与结论翻译

研究人员指出FRP可提升木结构承载力并抗环境侵蚀，但FRP–木材复合材料因界面剥离而易发生早期破坏。本研究收集358组FRP–木材拉剪试验数据，采用XGBoost、CatBoost、LightGBM与RF四种集成学习模型预测界面粘结强度(IBS)，并以最优CatBoost模型的预测结果进行SHAP分析探讨参数影响，主要结论如下：

(1) 所建立的CatBoost、LightGBM与XGBoost模型可有效预测FRP–木材IBS；CatBoost预测精度最高，测试集决定系数R²=0.954，LightGBM(R²=0.951)与XGBoost(R²=0.942)次之，表明这些模型能较好地捕捉各参数对IBS的影响关系。

(2) FRP粘结长度、木材宽度、FRP抗拉强度及FRP厚度与IBS呈较强正相关；SHAP特征重要性分析表明FRP抗拉强度是对FRP–木材IBS预测影响最大的变量。

(3) 详细参数分析显示FRP材料属性对IBS的影响大于木材属性；FRP抗拉强度＞3000 MPa、FRP粘结长度＞150 mm（不超过有效粘结长度）、较大FRP厚度及较宽木材/FRP粘结宽度有利于提高IBS。FRP粘结长度与IBS在达到有效粘结长度前呈近似线性关系。

本研究提出的集成学习方法对FRP–木材IBS预测效果良好，但受限于已发表试验中参数报告不统一，且仅针对常温常湿下单剪拉脱工况，未涉及温湿耦合及不同加载模式的粘结退化，未来应纳入环境因素与不同受力条件以拓展模型适用范围。