基于机理因果方法的超高强混凝土梁抗剪能力机器学习交互模型

《Engineering Applications of Artificial Intelligence》：Mechanism-causal methods based machine learning interactional model of shear capacity of ultra-high performance concrete beams

　　

Jianan Qi|Jian Du|Hang Cheng|Jingquan Wang

中国南京211189，东南大学土木工程学院，教育部混凝土与预应力混凝土结构重点实验室

摘要

目前的机器学习研究往往缺乏机制层面的支撑，主要关注重要性系数，缺乏物理可解释性。为解决这一缺陷，本文提出了一种基于机制因果关系的交互式人工智能框架，用于预测超高性能混凝土梁的抗剪能力。该框架通过嵌入多维机制相互作用和先验物理约束，提升机制一致性及预测稳定性。作为该交互式框架的基础，本研究建立了包含617根超高性能混凝土抗剪试验梁的数据库。随后采用数据-机制交互预处理策略，通过用翼缘宽度替代腹板宽度来降低数据库维度，从而减少控制物理参数的数量。基于简化后的关键变量和物理先验，训练出了具有高精度和稳定性的机器学习预测模型。为进一步提升可解释性，还采用了因果机器学习分析方法，量化各因素的贡献度及其相互依赖关系，并将所识别的因果关系与主导的抗剪机制趋势相结合，最终得出一个包含五个未知参数、受物理约束的抗剪能力公式。通过整合这些数学关系，再运用梯度提升算法确定函数的具体参数。经现有数据库验证，该公式预测值与实验值的比值均值和标准差分别为0.90和0.32，而其他公式的最佳数值为0.82和0.45。本文提出了一种新的机器学习方法，更注重物理意义和稳健的预测性能。

引言

由于其优异的力学性能，超高性能混凝土已被广泛用于桥梁工程中（Qi等人，2017；Bu等人，2025；Zhang等人，2026）。确保足够的抗剪能力对于防止梁在剪力作用下发生突然的脆性破坏至关重要。这不仅能保障梁内的有效荷载传递，还能提升结构在外部荷载作用下的整体性能，进而延长其使用寿命。准确评估超高性能混凝土梁的抗剪能力，对于工程师进行合理且经济高效的结构设计具有重要意义。

为研究超高性能混凝土的抗剪能力，目前主流的梁体分析方法如下：

• ●
  实验分析法（Qi等人，2025；El等人，2022；Qi等人，2019）：当前研究大多采用缩尺实验，主要研究几何尺寸、剪跨比、纤维含量等因素的影响。但这种方法不仅成本高昂、耗时较长，还难以涵盖所有可能的参数组合。
• ●
  有限元法（Ahmad等人，2022；Kim和Gebrehiwot，2023）：尽管该方法因计算效率高、适用性强且经济可行而备受青睐，但也存在诸多挑战，比如需要可靠的实验数据来验证模型精度，模拟材料非线性及接触相互作用时可能存在误差，此外还难以保证模型收敛。
• ●
  理论推导法（Hu等人，2021；El等人，2023；Smith和Xu，2023；Wang等人，2025）：学者们基于力学原理和材料特性，通过理论分析推导出超高性能混凝土结构的抗剪设计公式，其中考虑了应力平衡和应变协调条件。该方法虽因其通用性和简洁性而受到重视，但由于依赖简化假设，在处理复杂的结构或非线性问题时精度不足。每种理论都有其适用范围，目前尚无被普遍认可的统一理论。
• ●
  机器学习法（Solhmirzaei等人，2020；Chen等人，2025；Ye等人，2023）：机器学习能够无需先验知识即可从大量数据集中自动识别规律，快速预测新样本的性能，因此被广泛应用于预测FRP梁的承载能力、塑性铰强度、连接件的抗剪强度等领域。但该方法高度依赖大规模且高质量的训练数据，其输出结果难以解读，缺乏物理意义，且泛化能力有限。

目前的机器学习研究大多局限于数据分析层面，对后续工程设计应用的指导作用有限。因此有必要进一步发展机器学习模型的物理解释理论框架。为此，人们开始关注机器学习模型与机制分析之间的相互作用，深入研究机器学习模型的机制解释机制，并以机器学习为基础进一步深化机制理论。

本研究建立了一个包含617根超高性能混凝土试验梁的数据库。在数据库构建过程中，采用了等效腹板宽度法，从物理层面和数据表示层面简化不规则截面，使其能够转化为具有相同有效深度的矩形梁。基于该数据库，通过加入物理边界约束和抗剪机制趋势约束的数据预处理步骤来训练机器学习模型，从而提升了预测的稳定性和可靠性。同时，本研究结合最新的抗剪机制研究成果与因果分析方法，对超高性能混凝土的抗剪机制进行了分析，进而优化了现有的超高性能混凝土梁抗剪能力公式，在简洁性与准确性之间取得了平衡，为工程项目提供了实用的参考依据。

章节节选

交互模型的起源与基本概念

目前关于基于机器学习预测超高性能混凝土梁抗剪能力的研究可分为两个发展阶段：1) 在初始阶段，人们从计算机科学领域初步引入了机器学习技术，这类模型的典型特征是具有明显的黑箱性质。虽然预测精度有所提升，但对背后机制的理解仍然十分有限。这一阶段的特征表现为：模型完全属于黑箱，预测精度

基于组成叠加理论推导超高性能混凝土梁的抗剪能力

全球众多研究者提出了多种抗剪阻力计算模型，包括极限平衡理论、塑性理论、桁架模型、压力场理论以及桁架-拱形理论（Hu等人，2021；Wang等人，2025）。叠加理论得到了学界的广泛认可，也被纳入多项国家规范中（El等人，2022；Ahmad等人，2022），该理论认为混凝土梁的抗剪阻力是由混凝土和箍筋的共同作用共同产生的。

数据库说明

鉴于机器学习模型预测的效率与数据库的特性密切相关，本研究重新构建了一个数据库。该数据库收录了全球范围内关于超高性能混凝土梁的实验研究数据，因为这类梁在弯矩和剪力的共同作用下可能会呈现出多种破坏模式，这些破坏模式包括剪压破坏、剪拉破坏以及弯剪耦合破坏

贡献比例定律

考虑到整体数据预测结果在针对单个试验梁的预测性能上可能会出现差异，本研究特意从数据库中提取了由Ahhmad等人报道的L380试验梁数据（Qi等人，2019）。在保持其他参数不变的情况下，每次仅改变一个参数，以此观察变化趋势，如图9所示。

通过对单个试验梁的预测结果进行分析后可以发现

结论

鉴于影响超高性能混凝土梁抗剪能力的因素十分复杂，本研究采用了数据驱动与机制驱动相结合的双重方法，构建了高精度的机器学习预测模型，同时提出了简化版的超高性能混凝土梁抗剪能力计算公式。主要研究结论如下：

• (1)
  本研究开发了一种受物理约束的预处理框架，用于降低机器学习模型在不同数据库之间的不稳定性。所施加的物理约束

CRediT作者贡献声明

Jianan Qi：概念构思、资金获取、研究指导、论文撰写——审阅与编辑。Jian Du：概念构思、数据整理、研究实施、结果验证、论文撰写——初稿编写。Hang Cheng：正式分析、方法设计、论文撰写——初稿编写。Jingquan Wang：研究指导、论文撰写——审阅与编辑。

利益冲突声明

作者声明不存在任何利益冲突。

致谢

本研究得到了中国国家自然科学基金的支持（项目编号：52378136，52341802）。对此我们表示衷心的感谢。