基于机器学习算法的FRP加固钢筋混凝土梁抗弯能力智能预测模型

摘要整理

纤维增强复合材料（FRP）通过外部粘贴或内部增强等方式被广泛应用于改善混凝土结构的效率和耐久性。然而，FRP加固钢筋混凝土（RC）构件在现场应用和试验中的实际表现往往偏离现有规范估算值，这主要源于规范条款在全面描述FRP加固RC构件特性方面的局限性。本研究采用基因表达规划（GEP）和多表达式规划（MEP）等机器学习方法预测FRP加固RC梁的抗弯能力。通过收集大量FRP加固RC梁试验数据建立数据驱动的估算模型，并采用多种统计指标评估模型精度。与经验模型和传统线性回归模型对比，机器学习模型表现出明显优势。GEP模型在训练和验证阶段均取得突出性能，相关系数（R）达0.98，平均绝对误差（MAE）分别为4.08和5.39；MEP模型精度略低，训练和验证阶段的R值均为0.96。机器学习模型相比经验模型性能显著优越，具有良好的工程应用前景。采用SHAP（SHapley Additive exPlanation）方法解释特征重要性，结果表明梁宽度、截面有效高度和纵向拉伸钢筋配筋率对FRP加固钢筋混凝土梁抗弯能力预测的贡献最为显著。

相关论文