综述：混凝土与钢结构中爆炸参数的评估：理论、数值方法及机器学习方法的综合评述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Assessment of Explosive Parameters in Concrete and Steel Structures: A Critical Review of Theoretical, Numerical, and Machine Learning Methods

　　

摘要

由于众多参数之间的复杂相互作用，准确预测混凝土和钢结构在爆炸作用下的响应仍然是一项挑战。传统的实验测试、解析方法以及数值模拟方法存在成本高昂、安全限制多、假设过于简化或计算量过大等问题。本文对理论方法、数值方法以及机器学习方法的最新进展进行了系统性评述。根据PRISMA指南进行了系统性文献检索，共涵盖了386篇已发表的研究。对于解析方法，尤其是单自由度模型和压力-冲击图，研究了其效率及固有局限性：这类方法能够快速给出预测结果（几秒到几分钟），但无法捕捉局部破坏现象，且位移误差在8%到25%之间。至于数值模拟技术，包括拉格朗日法、欧拉法、任意拉格朗日-欧拉法以及SPH法，則从精度和计算成本两方面进行了评估；ALE/SPH法的精度最高（误差为5%到12%），但其计算成本是拉格朗日法的5到10倍，此外还存在诸多问题，仅有30%的研究报道了网格收敛情况，25%的研究提到了材料校准问题。随后，本文重点探讨了作为有前景的数据驱动替代方案的机器学习技术。基于预测精度、泛化能力、可解释性、超参数敏感性以及对数据局限性的抵御能力，对XGBoost、CatBoost、随机森林、支持向量机以及人工神经网络等关键算法进行了比较。研究结果表明，集成提升算法（XGBoost、CatBoost）在位移预测（R²＝0.94–0.96）和破坏模式分类（F1＝0.85–0.90）方面始终表现优于其他算法，不过这一优势的前提是数据集规模需超过200个样本，并且要采用贝叶斯超参数优化方法。然而，仍有若干关键问题尚未解决：仅有44%的研究在独立的实验数据上进行了外部验证，此时模型的性能会下降，R²值降低0.02–0.07；大多数机器学习模型是在未经验证的有限元分析数据上训练的，因而带有简化材料模型带来的偏差；应变率外推方法也从未经过验证；钢结构的相关研究严重不足；而且完全缺乏不确定性量化分析。本文指出了这些关键的研究缺口，并为开发稳健、通用且可解释的机器学习模型提供了路线图，其中包括短期优先任务（外部验证、钢结构数据集、不确定性量化）、中期优先任务（基于物理原理的神经网络、迁移学习、符号回归、可部署的软件工具），以及长期优先任务（基础模型、面向可持续性的机器学习），旨在为混凝土和钢结构的抗爆设计提供有力支持。