《Buildings》:Proposing Novel Symbolic Regression-Based Equations for Predicting the Shear Capacity of Polypropylene-Fiber-Reinforced Concrete (PFRC) Beams Without Transverse Reinforcement
编辑推荐:
预测聚丙烯和宏观合成纤维增强混凝土(PFRC)梁的抗剪强度仍具有挑战性,因为许多现有公式最初是针对普通钢筋混凝土或钢纤维增强混凝土开发的。本研究开发了实用且显式的符号方程,用于估算无横向钢筋的PFRC梁的抗剪强度。研究人员根据明确定义的纳入和排除标准,汇集了一
预测聚丙烯和宏观合成纤维增强混凝土(PFRC)梁的抗剪强度仍具有挑战性,因为许多现有公式最初是针对普通钢筋混凝土或钢纤维增强混凝土开发的。本研究开发了实用且显式的符号方程,用于估算无横向钢筋的PFRC梁的抗剪强度。研究人员根据明确定义的纳入和排除标准,汇集了一个包含98个剪切临界PFRC梁试件的专用数据库。采用了代表梁几何尺寸、混凝土强度、纵向钢筋和纤维特性的七个预测变量。利用基因表达式编程(Gene Expression Programming, GEP)和多表达式编程(Multi-Expression Programming, MEP)推导出显式数学方程,并使用留出测试子集对其进行评估,同时在一致的数据条件下与六种基准机器学习算法和二十种现有抗剪强度公式进行比较。与以往通常侧重于单一预测方法或特定类别纤维增强混凝土的研究不同,本研究将PFRC专用数据库、两种显式符号回归方法、全面基准比较和基于SHAP的模型解释统一整合在一个框架内。所提出的MEP方程取得了最佳的测试性能,决定系数(R2)为0.976,均方根误差(RMSE)为15.75 kN。相应的平均绝对百分比误差(MAPE)和变异系数(COV)分别为10.55%和0.143。GEP方程也表现出令人满意的预测性能,R2为0.965,MAPE为18.16%。在基准机器学习算法中,CatBoost取得了最佳测试性能,R2为0.968,但仍逊于MEP方程。MEP方程还将二十个现有公式中的最高R2从0.883提高到0.976,并将现有公式中的最低MAPE从25.81%降低到10.55%。Shapley加法解释(SHAP)分析表明,梁宽、剪跨比和有效深度是控制MEP方程预测的最主要变量。在所汇集数据库的范围内,所提出的MEP方程为估算无横向钢筋PFRC梁的抗剪强度提供了一种准确、透明且可直接应用的方法。
论文解读:基于符号回归的聚丙烯纤维增强混凝土无腹筋梁抗剪承载力预测
1. 研究背景与问题
钢筋混凝土(RC)梁的剪切破坏具有突发性和脆性,传统上依靠横向箍筋抵抗斜拉应力并控制剪切裂缝。然而,在深梁、预应力梁和高性能混凝土梁中,密集的箍筋布置会增加施工难度并导致混凝土浇筑困难。纤维增强混凝土(FRC)通过纤维桥接作用限制裂缝张开与扩展,可提高开裂后的残余强度、延性和能量耗散能力。聚丙烯和宏观合成纤维在早期裂缝控制、裂缝间距和变形控制方面表现出优势,但大量早期研究和经典预测模型均基于钢纤维混凝土试验数据。由于钢纤维与合成纤维在弹性模量、抗拉强度、几何形状和粘结特性上存在显著差异,基于钢纤维标定的模型难以准确描述聚丙烯及宏观合成纤维混凝土的剪切行为。此外,现有PFRC试验研究在梁几何尺寸、剪跨比、混凝土强度、纵筋配筋率、纤维掺量和纤维特性等方面存在显著差异,各国剪切设计规则之间也存在明显分歧。尽管已有解析、半经验和数据驱动模型被提出,但专门基于PFRC数据库推导显式符号方程,并在完全一致的数据库和测试条件下与既有抗剪强度公式及基准机器学习算法进行系统比较的研究仍相对有限。因此,本研究旨在提出可靠且显式的方程,用于估算无横向钢筋的聚丙烯和宏观合成纤维增强混凝土梁的抗剪强度。
2. 研究内容与主要结论
研究人员从28项已发表的独立试验研究中筛选出98个剪切临界PFRC梁试件,依据明确的纳入和排除标准建立了专用数据库。采用基因表达式编程(Gene Expression Programming, GEP)和多表达式编程(Multi-Expression Programming, MEP)两种进化符号回归方法,基于七个预测变量(梁宽、有效深度、剪跨比、纵筋配筋率、混凝土抗压强度、纤维弹性模量和纤维因子)推导出显式数学方程。利用留出法将98个样本划分为74个训练样本和24个测试样本,测试样本未参与模型构建、选择和参数调优的任何环节。研究人员将所提方程与六种基准机器学习算法(CatBoost、AdaBoost、Extra Trees、XGBoost、高斯过程回归和随机森林)及二十种现有抗剪强度模型在相同数据条件下进行比较,并采用SHAP分析和单次单变量(OAT)敏感性分析解释MEP方程的预测行为。结果表明,MEP方程在留出测试集上表现最佳,R2=0.976,RMSE=15.75 kN,MAPE=10.55%,COV=0.143;GEP方程也取得了满意的精度(R2=0.965,MAPE=18.16%),但误差和离散性高于MEP。在基准机器学习算法中,CatBoost测试精度最高(R2=0.968),但仍被MEP方程超越。与二十个现有公式相比,MEP方程将最高R2从0.883提高到0.976,将最低MAPE从25.81%降低到10.55%。SHAP和OAT分析一致表明,梁宽、有效深度和剪跨比是控制MEP预测的主要变量。该研究的重要意义在于,在统一框架内结合了PFRC专用数据库、显式符号回归方程、广泛基准比较和模型可解释性,为无腹筋PFRC梁的抗剪强度估算提供了一种准确、透明且可直接应用的替代方法,并揭示了数据驱动模型在结构工程中应用时需注意的参数适用范围和机制解释局限性。
3. 关键技术方法
研究人员采用了以下关键技术方法:其一,建立了一个包含98个剪切临界PFRC梁试件的专用试验数据库,样本来自28项独立研究,数据涵盖梁宽100~305 mm、有效深度85.25~600 mm、剪跨比0.583~4.870、混凝土抗压强度13.85~150 MPa、纵筋配筋率0.002~0.046、纤维体积掺量0.10%~3.00%、纤维长径比12.5~840、纤维弹性模量3450~10500 MPa以及实测抗剪承载力13.72~500 kN。其二,采用基因表达式编程(GEP)和多表达式编程(MEP)两种进化算法推导显式数学表达式,模型参数通过试错法优化以平衡预测精度与方程复杂度。其三,使用留出法划分训练集(74个样本)和测试集(24个样本),并于一致条件下与六种机器学习算法和二十种现有抗剪强度公式对比。其四,采用SHAP和OAT敏感性分析解释变量重要性与响应方向。
4. 研究结果
4.1 基准机器学习模型及GEP与MEP方程评估
通过训练集和留出测试集的统计指标比较发现,基准机器学习模型在训练阶段普遍精度较高,但测试阶段更能反映真实泛化能力。在基准算法中,CatBoost取得了最高测试R2(0.968)、RMSE为18.749 kN、MAPE为11.158%。MEP方程在测试集上综合性能最佳,R2=0.976,RMSE=15.746 kN,MAPE=10.554%,λ=1.007,COV=0.143,表明平均偏差较小且预测比值离散度低。GEP方程测试R2=0.965,但MAPE(18.164%)和COV(0.250)高于MEP。试验实测值与预测值对比图显示,MEP预测点更接近等值线,GEP离散性较大。该结果表明,显式符号方程在同等条件下可达到或超过机器学习模型的预测性能,同时保持可直接实施的数学形式。
4.2 与现有抗剪强度公式的比较
研究人员将二十种现有抗剪强度公式应用于相同留出测试集,这些公式包括Sharma、Khuntia、Ashour、Kwak、Mansur、Narayanan和Darwish、Swamy、Li、Greenough和Nehdi、Imam、Sarveghadi、Shin、Arslan、Arslan等、Said、Gandomi、RILEM、DAfStB、fib Model Code 2010以及Albidah和Abbas模型。结果表明,现有公式的R2介于0.067至0.883之间,没有任何单一公式在所有统计指标上均表现最佳。Sarveghadi等取得最高R2(0.883),Arslan等(2017)取得最低MAPE(25.812%)和最接近1.0的λ(1.025),Albidah和Abbas取得最低COV(0.344)。相比之下,MEP方程将最高R2从0.883提高到0.976,将最低MAPE从25.812%降低到10.554%,并将最低COV从0.344降至0.143,提供了更均衡的相关性、误差、偏差和离散性表现。GEP方程也优于所有既有公式。需注意,部分现有公式需要纤维-混凝土粘结应力、最大骨料粒径和残余抗拉强度等参数,研究人员根据文献建议补充了合理假设,这可能影响个别公式的预测结果。
4.3 MEP预测的解释与敏感性分析
SHAP分析显示,梁宽(b_w)对MEP预测贡献最大,较高的梁宽通常对应正向SHAP值,即增大预测抗剪承载力;剪跨比(a/d)为第二重要因素,a/d增大时预测抗剪承载力降低,符合低剪跨比下拱作用主导的规律;有效深度(d)贡献显著,较高的d通常对应正向贡献,但这一观察不应被解释为否定尺寸效应,因为目标变量为总抗剪承载力而非归一化剪应力;混凝土抗压强度(f_c)贡献次于几何参数;纵筋配筋率(ρ)、纤维因子(F)和纤维弹性模量(E_f)相对重要性较低但仍影响预测。基于平均绝对SHAP值的相对重要性显示,梁宽、剪跨比和有效深度分别占42.81%、20.31%和18.82%,合计81.94%;混凝土抗压强度占9.70%;其余三项合计8.36%。
OAT参数分析表明,MEP预测承载力随梁宽增加呈非线性增长;对有效深度的响应呈非线性且非单调,先减小后显著增大;剪跨比增大会大幅降低预测承载力;纵筋配筋率在大部分范围内增加预测值但趋于平台;纤维因子产生正向但逐渐减弱的响应;混凝土抗压强度与纤维弹性模量近似呈正线性关系。OAT敏感性贡献中,剪跨比占42.52%,有效深度占30.40%,梁宽占17.03%,前三项合计89.95%;其余四项合计约10.05%。尽管SHAP与OAT所得重要度排序存在差异,但两种方法均确认梁宽、有效深度和剪跨比是控制MEP预测的关键参数。
5. 讨论与结论
讨论部分指出,SHAP和OAT方法从不同角度刻画模型行为:SHAP基于测试集中样本的实际变量组合归因贡献,OAT则通过单变量在其范围内变化而其余变量固定为均值来反映输出变化范围。两者均不建立物理因果关系,也不将数据驱动方程转化为力学剪切模型。MEP方程的数学项应主要被解释为从试验数据库中识别出的预测关系,而非剪切传递机制的表示。研究结论可总结为:(1)MEP方程在留出测试集上表现最佳,R2=0.976,RMSE=15.75 kN,MAPE=10.55%,λ=1.007,COV=0.143,表明系统误差小且预测比值一致;(2)GEP方程结果满意(R2=0.965,RMSE=18.00 kN,MAPE=18.16%,λ=0.977,COV=0.250),但误差和离散性高于MEP;(3)CatBoost在基准机器学习算法中测试R2最高(0.968),但MEP方程提供了更高的R2以及更低的RMSE和MAPE,表明显式符号方程可达到或优于机器学习模型;(4)与二十个现有公式相比,MEP方程在相关性、预测误差、偏差和离散性方面表现更均衡;(5)SHAP与OAT一致表明梁宽、有效深度和剪跨比是控制MEP预测的关键变量,OAT还揭示了剪跨比增大降低预测承载力、梁宽和纤维参数增大产生正向影响的趋势。然而,所提公式基于有限试验数据库,样本在参数范围内分布不均匀,且仅采用单次随机留出测试而非完全独立的外部数据集或按研究分组验证;方程不含抗力或安全系数,不能替代规范设计方法,仅适用于数据库覆盖的参数范围。未来需在更宽参数范围内基于独立试验数据进一步验证,并纳入不确定性分析、可靠度检验、优化、量纲齐次性和力学约束以增强符号回归模型的适用性。