基于Light GBM和SHAPASH分析的FRP层板与混凝土粘结强度研究

摘要整理

钢筋腐蚀导致各类钢筋混凝土结构需要定期维护和修复。梁、节点、柱和板的加固改造中频繁采用纤维增强复合材料（FRP）层板。本研究为预测含凹槽混凝土棱柱上FRP层板的界面粘结强度（IBS），采用机器学习方法评估了三种集成算法的非线性能力，包括随机森林（RF）回归、极端梯度提升（XGBoost）和Light梯度提升机（Light GBM）模型。研究以IBS为目标变量，模型输入参数包括五个因素：FRP弹性模量×厚度（EfTf）、FRP板宽度（bf）、混凝土抗压强度（fc′）、凹槽宽度（bg）和凹槽深度（hg）。采用试错法优化各集成模型参数。模型在70%数据集上训练，30%数据用于验证。评估基于可靠的精度指标进行。RF回归模型测试数据的决定系数最小值为R²=0.82，而Light GBM训练数据的最高值达R²=0.942。三个模型在相关性和误差评估方面表现稳健，精度排序为：Light GBM > XGBoost > RF回归。通过对比观测值与预测值回归线斜率、误差分析（平均绝对误差MAE和均方根误差RMSE）、预测-实验比值和Taylor图进一步验证模型性能。SHAPASH分析表明，FRP弹性模量×厚度和FRP板宽度是影响FRP与混凝土粘结强度的最主要因素。研究结果表明Light GBM可作为计算FRP层板与混凝土粘结强度的可靠机器学习预测技术。

相关论文