《Results in Engineering》：Explainable physics-guided machine learning for predicting the axial capacity of circular CFST columns
编辑推荐：
研究人员开发了一个可解释机器学习（Explainable Machine Learning，EML）框架，通过分析包含150个试验试件的数据库，预测短圆形钢管混凝土（Concrete-Filled Steel Tubular，CFST）柱的轴向承载力。人工神经
研究人员开发了一个可解释机器学习（Explainable Machine Learning，EML）框架，通过分析包含150个试验试件的数据库，预测短圆形钢管混凝土（Concrete-Filled Steel Tubular，CFST）柱的轴向承载力。人工神经网络（Artificial Neural Network，ANN）模型表现最佳，而SHAP（SHapley Additive exPlanations）分析提供了关键物理参数（如径厚比（Diameter-to-Thickness Ratio，D/t）和材料强度）对柱承载力的影响见解。ANN模型展示了最高的预测性能，SHAP分析确认关键参数如径厚比和材料强度与既有结构力学原理一致。
钢管混凝土（Concrete-Filled Steel Tubular，CFST）柱通过钢管与混凝土的协同工作，兼具钢材的优异抗拉延性与混凝土的高抗压刚度，广泛应用于高层建筑、桥梁及抗震结构。圆形截面因钢管对核心混凝土提供连续均匀约束，可显著提升承载力和延性。然而，CFST柱轴向承载力受径厚比（D/t）、长径比（L/D）、材料强度等多参数耦合影响，传统设计规范和有限元方法均存在适用性限制。近年在结构工程中应用机器学习（Machine Learning，ML）预测承载力日益增多，但多数模型仅追求预测精度，缺乏对预测机制的解释。为解决这一不足，研究人员构建了一个可解释的物理引导机器学习框架，将已有的MARS、RVM和ANN模型与SHAP解释方法结合，并对照简化数值模型、三维非线性有限元和设计规范进行综合评估，以提升数据驱动预测的工程可信度。
研究人员基于前期建立的150个短圆形CFST柱试件基准数据库（来源于22个独立实验项目，由Avci-Karatas等汇编），在统一框架下评估三种已确立的预测模型。输入特征包括混凝土抗压强度f
c、混凝土弹性模量E
c、钢材屈服强度f
y、钢材弹性模量E
s、径厚比D/t、长径比L/D及无量纲约束指数ξ。其中ξ是力学引导的工程描述符，表征钢管与混凝土的相互作用。所有模型在相同的70%训练、15%验证、15%测试划分下训练和评估
