用于分析纤维增强聚合物在加固钢筋混凝土梁中剪切贡献的可解释约束单调神经网络模型

《Applied Sciences》：Interpretable Constrained Monotonic Neural Network Model for Fiber-Reinforced Polymer (FRP) Shear Contribution in Strengthened Reinforced Concrete (RC) Beams

　　

摘要

本研究提出了一种可解释的机器学习框架，用于预测外粘纤维增强聚合物复合材料在钢筋混凝土梁中的抗剪贡献。研究从先前的实验研究中收集了共313个实验样本的数据库。通过隔离森林算法对数据进行了筛选，最终得到268个有效样本。这些有效样本被分为包含214个样本的训练集和包含54个样本的独立测试集。随后，利用瓦瑟斯坦生成对抗网络和条件变分自编码器这两种先进的生成模型，将训练集扩展为5204个合成数据。接着在两个数据集上分别训练受限单调神经网络模型，基于WGAN的CMNN模型在合成训练数据上的R²值为0.9524，在独立测试数据上的R²值为0.9120；而基于CVAE的CMNN模型对应的数值分别为0.9632和0.9011。为提升实际应用性，从基于WGAN的CMNN模型中提取响应函数，并用解析表达式进行拟合，从而得出闭式预测方程。该预测方程通过未用于CMNN训练的独立测试样本进行了验证，其R²值为0.79，均方根误差为24.98千牛，平均绝对误差为19.65千牛，平均绝对百分比误差为21.72%，变异系数为79.35%，95%置信区间下限和上限分别为±54.94千牛，标准误为3.04，相对误差为0.11。与ACI 440.2R-17、CSA-S806.12、CNR-DT200 R1.2013、TR-55以及JSCE标准相比，所提出的方程具有更高的准确性，同时保持了简洁且便于设计的格式。