《Forests》:Ultimate Bearing Capacity of Engineered Bamboo Columns of Varying Lengths Under Eccentric Compression: Data-Driven Modeling
编辑推荐:
本研究采用数据驱动的机器学习方法,探讨了不同长度的工程竹(engineered bamboo)柱在偏心荷载作用下的极限承载力(ultimate bearing capacity)。尽管已有研究对工程竹柱在轴压或偏压条件下的性能进行了探索,但鲜有研究系统考察荷载
本研究采用数据驱动的机器学习方法,探讨了不同长度的工程竹(engineered bamboo)柱在偏心荷载作用下的极限承载力(ultimate bearing capacity)。尽管已有研究对工程竹柱在轴压或偏压条件下的性能进行了探索,但鲜有研究系统考察荷载偏心率(eccentricity)与柱长(column length)的联合效应。研究人员建立了一个包含432条记录的数据库,以偏心率、柱长、截面面积(cross-sectional area)、抗压强度(compressive strength)和弹性模量(elastic modulus)作为输入特征,采用六种基于树的机器学习算法构建预测模型,所有模型均取得了令人满意的预测精度。夏普利加性解释(Shapley additive explanations, SHAP)分析表明,训练后的随机森林(random forest, RF)和极端梯度提升(extreme gradient boosting, XGBoost)模型对偏心率依赖性最强,其次为抗压强度、截面面积和柱长,而弹性模量在数据库所涵盖范围内的贡献最小。研究人员基于偏心率比(eccentricity ratio)、长细比(slenderness ratio)、稳定系数(stability factor)、抗压强度和截面面积提出了一种新的函数形式用于预测极限承载力,并利用训练后的RF和XGBoost模型的预测结果开发了两个相应的机器学习辅助显式模型。对所建数据库及独立数据集的验证结果表明,基于XGBoost预测推导的显式模型比基于RF的模型具有更高的预测精度。
一、研究背景与现存问题
在全球可持续发展背景下,可再生、低环境影响的建筑材料日益受到建筑行业的关注。工程竹(engineered bamboo)因其优异的力学性能、环保效益以及竹子生长周期短等优势,已成为一种极具前景的建筑材料。常见的工程竹类型包括层积材(laminated bamboo)和重组竹(bamboo scrimber),它们分别通过竹片层压和树脂浸渍竹纤维束致密化工艺制造而成。工程竹兼具高强度与低于传统建材如混凝土和钢材的密度,因此被越来越多地用于制造梁、柱等结构构件。
在实际工程应用中,工程竹柱常承受偏心压缩荷载。偏心压缩是指施加荷载的作用线不通过构件形心轴,从而产生轴向压力与弯矩的共同作用。在此受力状态下,柱子的应力状态不仅取决于外荷载,还与其几何特征和材料属性密切相关。相较于轴心受压,偏心受压会产生非均匀应力分布和附加弯矩,可能增大侧向变形并导致材料破坏或结构失稳。具体而言,靠近偏心荷载作用线一侧的工程竹柱通常承受较高的压应力,而对侧则承受较低的压应力,当偏心率足够大时甚至可能出现拉应力。这种不均匀的应力分布会影响变形响应,并可能降低柱的整体稳定性。
在研究工程竹柱的偏心受压性能时,柱长也是一个关键参数。柱长的变化会显著影响极限承载力和变形特性。对于给定的截面几何、材料属性和荷载偏心率,增加柱长通常会增大长细比(slenderness ratio)和对侧向变形的敏感性。增大的长细比使柱子更易发生弯曲失稳,最终降低其承载力。然而,现有关于工程竹柱偏心受压的研究大多未充分考虑柱长的影响,这限制了基于现有试验结果开发的预测模型的泛化能力。特别是,荷载偏心率与长细比的联合效应尚未得到系统解决。
二、研究目的与研究意义
准确预测不同长度工程竹柱的偏心受压性能对其结构设计至关重要。数据驱动的机器学习方法为解决这一问题提供了有效途径。通过学习现有实验数据,机器学习模型能够捕捉输入变量间复杂的非线性关系,从而支持承载力的精确预测。为弥补上述研究空白,本研究开发了一个数据驱动框架,用于预测偏心荷载作用下工程竹柱的极限承载力。与以往主要关注预测工程竹单一材料或结构性能的机器学习研究不同,本研究系统考察了荷载偏心率与柱长的联合效应,并将机器学习得出的响应趋势转化为可解释的显式公式。
三、关键技术方法
研究人员从11篇文献中整理出一个包含432条记录的数据库,以偏心率(eccentricity, e)、柱长(column length, l)、截面面积(cross-sectional area, Ac)、抗压强度(compressive strength, fc)和弹性模量(modulus of elasticity, Ec)作为输入特征。采用决策树(decision tree, DT)、随机森林(random forest, RF)、梯度提升决策树(gradient boosting decision tree, GBDT)、极端梯度提升(extreme gradient boosting, XGBoost)、轻量级梯度提升机(light gradient boosting machine, LightGBM)和类别型梯度提升(categorical boosting, CatBoost)六种基于树的机器学习算法构建预测模型。利用夏普利加性解释(Shapley additive explanations, SHAP)量化各输入特征的贡献度。此外,基于偏心率比(e/h)、长细比(λ)、稳定系数(stability factor, φ)、抗压强度(fc)和截面面积(Ac)提出了新的函数形式,并基于RF和XGBoost的预测结果拟合得到了两个相应的机器学习辅助显式模型。
四、研究结果
4.1 机器学习模型评估
六种机器学习模型在训练集和测试集上均表现出令人满意的预测性能。训练集与测试集上的表现相当,表明模型在所采用的随机样本级划分下具有良好的泛化能力。
4.2 模型可解释性分析
基于RF和XGBoost模型的SHAP分析表明,偏心率(e)的平均绝对SHAP值最高,对抗压强度(fc)和截面面积(Ac)的依赖程度次之且相近,柱长(l)排在之后,弹性模量(Ec)的贡献最低。对于两种模型,SHAP值通常随e和l的减小而增大,随fc和Ac的增大而增大。弹性模量的SHAP值集中在较窄范围内,其较低的重要性应归因于数据库中该参数的有限变异范围,而非其力学作用的普遍可忽略性。对三个随机选取的试件进行的个体解释进一步表明,偏心率对不同试件的预测贡献最大,而其他特征的贡献因试件和模型而异。
4.3 关键组合特征分析与建模
以一个截面尺寸为100 mm×100 mm(Ac=10000 mm2)、fc=65 MPa、Ec=9600 MPa的工程竹柱为例,RF和XGBoost模型预测的Ncu响应曲面总体趋势一致:当l不变时,Ncu在e较低范围内变化平缓,随后随着e增大呈现下降趋势,该下降分为陡降和缓慢降低两个阶段;当e不变时,Ncu通常随l的增加而减小。基于此,研究人员提出了一个将稳定系数(φ)表示为偏心率比(e/h)和长细比(λ)的函数的新形式,并通过对ML预测数据的拟合得到了RF和XGBoost两种显式模型的具体参数。其中,e/h与φ的关系采用三参数衰减函数拟合,λ与φ的关系采用基于Ylinen和Perry-Robertson模型的形式拟合。
4.4 基于所建数据库的模型校准
基于XGBoost的显式模型在所建数据库上的预测性能优于基于RF的模型。由于显式模型是对ML预测趋势进行简化的经验表达式,其预测误差大于直接的ML输出,但提高了透明度和实际应用性。
4.5 基于额外数据源的模型验证
利用来自两篇独立文献的偏心受压试验数据对显式模型进行外部验证。结果显示,基于XGBoost的显式模型预测精度高于基于RF的模型,大多数预测误差落在±25%以内。
五、结论与讨论
本研究基于现有研究的回顾与分析建立了包含432条记录的数据库,采用数据驱动的机器学习方法分析了不同长度工程竹柱在偏心荷载作用下的极限承载力,并开发了机器学习辅助的显式预测模型。基于DT、RF、GBDT、XGBoost、LightGBM和CatBoost算法构建的机器学习模型均具有良好的预测性能。SHAP分析表明,偏心率对RF和XGBoost模型的预测贡献最大,而其他输入特征的贡献因所选试件和模型而异;弹性模量的较低贡献反映了其在数据库中的狭窄范围,而非其对柱稳定性的力学重要性被忽视。研究人员提出了一个将稳定系数表示为偏心率比和长细比函数的函数形式,并通过fc和Ac显式纳入抗压强度和截面面积,其他材料属性的影响由拟合回归参数在校准范围内表征。基于所建数据库和独立数据集的验证表明,基于XGBoost输出的显式模型预测精度高于基于RF的模型。本研究所提出的框架应被视为初步估算的辅助工具,而非实验验证的替代方案。