《Buildings》:Predicting Time-Dependent Durability of FRP–Timber Bonds in Harsh Environments: A Comparative Study of Machine Learning Models
编辑推荐:
本研究对三种机器学习模型(XGBoost、AdaBoost和LightGBM)进行了对比评估,用于预测正常及恶劣环境下纤维增强聚合物(Fiber-Reinforced Polymer, FRP)与木材之间随时间变化的粘结强度。研究人员构建了一个数据集(正常环境
本研究对三种机器学习模型(XGBoost、AdaBoost和LightGBM)进行了对比评估,用于预测正常及恶劣环境下纤维增强聚合物(Fiber-Reinforced Polymer, FRP)与木材之间随时间变化的粘结强度。研究人员构建了一个数据集(正常环境79组,恶劣环境265组),纳入材料属性、几何参数、暴露时间和溶液pH值作为输入特征。研究人员对每种模型进行了超参数优化,并使用R2、RMSE、MAE和MSE指标评估性能。研究人员采用SHAP分析和偏依赖图(Partial Dependence Plots)来解释特征重要性和模型行为。在正常条件下,XGBoost实现了最高的预测精度(测试集R2 = 0.944,RMSE = 2.170,MAE = 1.775),优于AdaBoost和LightGBM。然而,在恶劣环境下,LightGBM表现出更优的泛化能力,其测试集R2最高达0.797,RMSE最低为0.549,MAE为0.431,优于XGBoost和AdaBoost。AdaBoost在恶劣条件下表现出严重过拟合,训练与测试R2差值达0.341。SHAP分析的特征重要性识别表明纤维拉伸强度和暴露时间是控制粘结性能的最显著影响参数。SHAP力图(force plots)表明纤维特性主要增强粘结强度,而pH值在恶劣条件下始终作为降低因素。本研究为FRP–木材粘结耐久性提供了一个稳健的预测框架,为恶劣环境下的结构设计和服役寿命预测提供了有价值的见解。
该研究背景立足于可持续建筑材料需求增长背景下木材在现代结构工程中的应用。尽管木材具有可再生、高强重比和低碳足迹的优势,但其存在生物降解、尺寸不稳定及受弯脆性等固有缺陷,亟需有效的加固技术。外部粘结纤维增强聚合物(Fiber-Reinforced Polymer, FRP)复合材料成为修复既有结构和增强预制木构件承载力的可行方案,碳纤维(Carbon, CFRP)、玻璃纤维(Glass, GFRP)和芳纶纤维(Aramid, AFRP)能显著提升木构件刚度、强度和延性。然而,FRP–木材复合系统长期在恶劣环境(湿热、酸碱溶液、海水、紫外线)下的耐久性仍是阻碍其广泛采用的关键问题。温度湿度会加剧蠕变变形并改变破坏模式,水分子侵入木材–环氧界面破坏氢键网络导致界面退化。FRP与木材的粘结受材料属性、几何参数和环境条件的复杂非线性相互作用支配,传统经验模型难以预测。虽然机器学习(Machine Learning, ML)为建模此类关系提供了工具,且集成提升算法(Ensemble-boosting algorithms)如XGBoost、AdaBoost和LightGBM在预测FRP复合材料耐久性方面展现出能力,但现有研究多聚焦单一环境因素或特定纤维类型,针对多种恶劣环境下预测时间依赖性粘结耐久性的不同ML算法对比评估仍有限。为此,研究人员开展本研究,旨在开发并对比这些ML模型,通过SHAP分析和偏依赖图(Partial Dependence Plots)识别控制粘结性能的关键因素,确定各环境下最优算法,阐释FRP–木材粘结耐久性的退化机制,从而提供一个初步预测框架以辅助参数范围内的粘结性能估算。
研究人员为开展研究用到的主要关键技术方法包括:从Yarigarravesh et al.、Toufigh et al.、Wan et al.、Vahedian et al.、Biscaia et al.、Lee et al.、Valluzzi et al.等的既往调查中收集数据集,共344个数据点(正常环境79个,恶劣环境265个),涵盖材料属性、几何参数、暴露时间和溶液pH值;将数据集按约8:2比例划分为训练集与测试集;采用贝叶斯优化(Bayesian Optimization)进行超参数调优,以最小化平均交叉验证均方误差(Mean Squared Error, MSE)为目标进行100次迭代;使用5折交叉验证评估稳定性;最终采用R2、RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MSE指标评估性能;并应用SHAP(Shapley Additive exPlanations)分析和偏依赖图(Partial Dependence Plots)解释模型行为与特征重要性。
1. Introduction
研究人员在引言中阐述了木材作为可持续材料的优劣及FRP加固的必要性,指出长期耐久性特别是恶劣环境下的界面退化是核心瓶颈。研究人员综述了Schober et al.、Vahedian et al.、Ghanbari-Ghazijahani et al.、Biscaia et al.、Ling et al.、Andor et al.、Kawecki and Podgórski等人的相关研究,指出现有缺乏设计规则及ML在多环境对比上的空白,从而引出选用XGBoost、AdaBoost、LightGBM的原因及其在小中型表格数据上的优势与正则化防过拟合特性。
2. Bond Strength Between FRP and Timber
研究人员指出FRP与木材界面粘结决定荷载传递效率与耐久性。正常条件下粘结由机械互锁和粘附作用主导,纤维拉伸强度(Sf)、宽度(bf)、粘结长度(Lb)和厚度(tf)起主导作用,CFRP表现最优。恶劣环境(酸性pH 2.5、碱性pH 12.5、中性水溶液长达12个月)引起显著时变退化,酸性促进环氧水解,碱性化学降解玻璃纤维硅溶解。ML模型捕捉了这些非线性与纤维依赖性退化模式,暴露时间成为恶劣条件下耐久性的主导因素。
3. Dataset
研究人员统计了数据集来源与分布,正常条件79样本(训练63,测试16),恶劣环境265样本(训练212,测试53)。输入特征包括木材弹性模量(Et)、强度(St)、胶粘剂模量(Ead)、强度(Sad)、FRP模量(Ef)、强度(Sf)、宽度(bf)、粘结长度(Lb)、厚度(tf)、暴露时间(t)和pH。相关性分析显示正常条件下Lb与粘结强度正相关最强(r = 0.71),Sf为0.56,木材属性相关性可忽略(Et: 0.09; St: 0.03)。恶劣环境下暴露时间呈负相关(r = ?0.46),pH呈近零线性相关性(r = 0.06),因其非单调纤维依赖性(酸性损CFRP,碱性损GFRP)导致线性抵消。研究人员指出pH在此作为环境严酷度的简化代理指标。
4. Machine Learning Methods and Hyperparameter Optimization
研究人员遵循严谨协议:数据准备与标准化防泄露、5折交叉验证、贝叶斯优化超参数(最小化CV-MSE)、全训练集重训、独立测试集评估。实现基于Python 3.9(scikit-learn, XGBoost, LightGBM),随机种子42。分别介绍了XGBoost(顺序集成决策树、并行计算、缺失处理)、AdaBoost(回归上下文调整样本权重、平方误差、决策树基估计器)和LightGBM(直方图建树、梯度单边采样GOSS、叶向生长防过拟合)的原理与配置。
5. Performance Evaluation
研究人员依据R2、RMSE、MAE、MSE评估。正常条件下XGBoost测试R2 = 0.9440最优,AdaBoost 0.9388次之,LightGBM 0.7937最低,但正常测试集仅16样本致排名敏感。恶劣环境下AdaBoost严重过拟合(训练R2 0.9587,测试0.6176,ΔR2 0.3411);XGBoost较平衡(0.8711训练,0.7572测试);LightGBM训练R2最低0.7670但测试最高0.7969(ΔR2 -0.0299),泛化最优,归功于直方图建树与叶向约束防过拟合。散点图显示正常条件XGBoost误差小,恶劣条件整体离散度大。预测实验强度比分析显示XGBoost斜率近0截距近1,但综合指标LightGBM更优。
6. SHAP Analysis
6.1. Feature Importance
研究人员通过SHAP摘要图得出正常条件下特征重要性依次为Sf > bf > Lb > tf > Ef,纤维属性主导,胶粘剂次之,木材最弱。恶劣环境下暴露时间(t)为首要因素,因其化学渗透水解界面退化具时变性,纤维类型亦重要(CFRP受酸损57%,GFRP受碱损47%),pH具U形非线效应。
6.2. Partial Dependence Plots (PDPs)
正常条件下Sf超3000 MPa响应剧增,bf约100 mm最高,Lb超300 mm无增益,tf 0.117–0.5 mm敏感。恶劣环境下响应随t增加锐减,Ef两段斜率正增,Sf 321 MPa内正增、560–708 MPa区间近逆趋势(脆性断裂),pH呈倒U形,极端pH(2.5, 12.5)与时间协同加速退化。
6.3. Force Plots
局部样本分析显示正常条件下纤维强度与模量主要增粘结强度,宽度减益;恶劣条件下pH值均为减益因素,暴露时间与高Ef/Sf组合增益,所有因素多呈增加角色唯pH降低。
7. Limitations and Future Work
研究人员承认恶劣环境数据源自少数实验,缺乏独立实验室外部验证,同项目数据可能共享条件致泛化估计偏乐观。正常测试集仅16样本排名敏感。未来需研究分组或留一研究验证、扩展数据库(树种、胶粘剂、海水、UV、冻融)、禁超14–360天外推、重复随机子抽样稳健比较。未来可探索神经网络及多算法集成。
8. Conclusions
研究人员总结得出粘结退化具环境非线性,酸损CFRP 57%,碱损GFRP 47%。正常下XGBoost测试R2 0.9440最优;恶劣下LightGBM测试R2 0.7969最优(RMSE 0.5489, MAE 0.4310),但未做显著性检验。正常下Sf最重要,木材属性可忽略;恶劣下暴露时间负关(r = ?0.46),pH无线性关(r = 0.06)。SHAP揭示正常纤维属性主导,恶劣时间主导且pH呈U形。未来可探神经网络与集成。该研究发表于《Buildings》。