基于回归的机器学习方法用于SMA加固腐蚀RC涵洞的修复

《Buildings》：A Regression-Based Machine Learning Approach for Rehabilitation of Corroded RC Culverts Strengthened with SMA

　　

箱涵是交通基础设施的关键组成部分，但其承载能力常因钢筋腐蚀和几何退化而受损。本研究提出一个集成有限元（FEM）和机器学习（ML）框架，以评估和预测经形状记忆合金（SMA）加固的腐蚀钢筋混凝土箱涵的极限承载力。通过将板厚减少20 mm来模拟严重腐蚀，随后以不同加固构型将SMA应用于腐蚀箱涵，以评估其修复效果。Case-2在提高腐蚀箱涵承载力方面表现出最佳性能。共314个基于FEM生成的数据点用于训练和测试五种回归模型：GB、ANN、SVM、RF和KNN。模型性能通过R²、MAE、RMSE和MAPE进行评估。为增强模型可解释性并理解物理相关性，开展了SHAP和部分依赖图（PDP）分析。分析表明，SMA有助于恢复和提高腐蚀箱涵的承载能力和抗变形能力。在预测模型中，GB取得了最高精度，其次为ANN和SVM。可解释性分析一致地将箱涵宽度识别为主导参数，其次为深度和长度，而混凝土强度表现出中等程度的正向影响。所提出的FEM–ML–XAI框架为使用SMA评估和修复腐蚀损伤箱涵提供了一种可靠且可解释的工具。

本研究针对钢筋混凝土（RC）箱涵在腐蚀环境下的承载能力退化问题，提出并验证了一种集成有限元（FEM）、机器学习（ML）与可解释人工智能（XAI）的评估与修复框架。箱涵作为交通基础设施的关键水力结构，长期承受水压、土压及交通荷载，腐蚀引起的截面损失和材料退化严重削弱其结构性能，既有研究曾报道腐蚀可导致承载力损失高达76%。现有修复研究多聚焦于完好或轻微损伤结构，采用的修复材料多为碳纤维增强聚合物（CFRP）、玻璃纤维增强聚合物（GFRP）和工程水泥基复合材料（ECC）等，对严重腐蚀箱涵采用形状记忆合金（SMA）进行修复的研究尚属空白；同时传统实验方法成本高、周期长，难以系统探索几何和材料参数的影响。因此，本文旨在回答三个问题：SMA能否有效恢复腐蚀箱涵承载力？基于FEM数据的回归ML模型能否准确预测极限承载力？哪些几何和材料参数起主导作用？该研究发表于《Buildings》期刊。

研究人员采用以下主要技术方法：首先在Abaqus 2024中建立基于Maximos等实验数据的有限元模型，采用混凝土损伤塑性（CDP）模型和双线性钢筋弹塑性模型，SMA采用Auricchio-Taylor超弹性本构模型；通过将顶板厚度减少20 mm模拟严重腐蚀，并设计四种SMA加固构型（Case-1至Case-4）。比较后确定Case-2为最优加固方案，并以其为基础构建包含314个FEM数据点的数据集，样本来源于有限元模拟，输入参数为混凝土抗压强度（Fc）、箱涵长度（L）、宽度（B）和深度（D），输出为极限承载力（Fu）。随后训练五种回归模型：梯度提升（GB）、人工神经网络（ANN）、支持向量机（SVM）、随机森林（RF）和K近邻（KNN），并采用SHAP与部分依赖图（PDP）进行可解释性分析。

结果部分包括以下内容。（3.1）网格敏感性分析与模型验证：经与Maximos等实验对比，50 mm网格模型误差约1.3%，验证了数值模型的准确性。（3.2）参考模型与SMA加固模型比较：腐蚀基准模型承载力低且后峰值不稳定；SMA加固模型均显著改善，其中Case-2承载力提升28.1%，Case-3提升12.3%，表明SMA能有效增强结构强度、刚度和延性。（3.3）关键参数统计分析：Pearson相关矩阵显示宽度（B）与极限承载力呈强正相关（r=0.81），长度（L）和深度（D）呈中等负相关，混凝土强度（Fc）影响较弱，表明多个变量共同影响结构响应。（3.4）机器学习技术应用：五种回归模型经训练后获得对FEM输出的高精度拟合，训练集R²均高于0.96。（3.5）模型性能统计评估：测试集结果显示GB性能最优，其次为ANN和SVM，RF和KNN误差相对较高，性能排名为GB>ANN>SVM>RF>KNN。（3.6）可解释人工智能：SHAP分析一致显示B为最主导参数，其次为D和L，Fc影响中等；PDP分析表明B和Fc增大提高承载力，而L和D增大降低承载力，与结构力学理论一致。（3.7）与既往研究比较：本研究针对严重腐蚀损伤结构，SMA修复获得稳定提升，相比传统FRP材料具备更好的延性和耐腐蚀性。

讨论部分指出，SMA的主动约束和应力重分布机制是性能恢复的关键；尽管镍钛（NiTi）SMA单位成本高于CFRP，但其免维护、耐腐蚀和全生命周期经济性使其在长期修复中具有优势。研究结论强调，SMA能显著改善腐蚀箱涵的强度、刚度和后峰值行为；GB模型提供了