基于 SMA-LSSVM-ANN 与 SHAP 分析的矩形混凝土填充钢管柱轴压承载能力预测及模型解释

《Buildings》：An Optimized Interpretable Machine Learning Model for Predicting Ultimate Compressive Capacity of RCFST Columns

　　

摘要

矩形混凝土填充钢管（RCFST）柱被广泛用作工程结构中的主要承重构件，对其轴压承载能力的可靠估计对于结构设计和安全评估至关重要。然而，现有的理论和设计公式通常依赖于一系列简化假设和经验修正系数，这限制了它们的预测准确性和适用性。在这种背景下，提出了一种数据驱动策略，将承载能力预测和模型解释整合到一个统一的流程中。该方法建立了高维输入特征（包括几何和材料属性）与轴压承载能力之间的非线性映射，并使用SHapley Additive exPlanations（SHAP）方法来量化关键输入参数对模型预测的贡献。通过对大量文献的调研，建立了一个包含745个RCFST柱轴压试验的实验数据库。在训练之前，使用皮尔逊系数检查了候选输入之间的相关性。然后开发了一个SMA-LSSVM–ANN混合预测模型，其中SMA通过均方误差作为适应度函数迭代搜索LSSVM-ANN超参数的最优组合。通过与几种基准机器学习（ML）模型和现有设计规范的比较，验证了所提模型的预测性能，该模型在测试数据集上的R²值为0.9571，RMSE值为302.84 kN。此外，使用SHAP分析从全局和特征依赖性角度对所提模型进行解释。全局SHAP分析确定了混凝土抗压强度和截面尺寸是主要特征，而特征依赖性分析显示截面尺寸和材料强度具有普遍的正面影响，而柱长度对预测承载能力有负面影响。