基于机器学习的玻纤增强复合材料筋增强超高性能混凝土工字梁抗剪性能预测

摘要整理

本研究采用多种机器学习模型评估玻纤增强复合材料（GFRP）筋增强超高性能混凝土（UHPC）工字梁的抗剪性能。研究采用支持向量机（SVM）、人工神经网络（ANN）、随机森林（R.F.）和极端梯度提升（XGBoost）四种机器学习模型预测GFRP筋增强UHPC梁的抗剪强度。实验数据库来自多个文献源，包含54组试验观测数据和11个输入特征参数，这些参数涵盖UHPC梁和GFRP筋的组成、几何尺寸和性能指标。为确保模型的泛化性和可扩展性，采用随机搜索方法对算法超参数进行优化调试，以提高模型的抗剪强度预测性能。研究基于ACI318M-14和欧洲规范2（Eurocode 2）标准建筑规范预测GFRP筋增强UHPC工字梁的抗剪承载力，并将机器学习模型预测结果与规范结果进行对比。研究结果表明，XGBoost模型在所有调查的机器学习模型中表现出最高的预测精度。采用SHAP（SHapley加性解释）分析方法评估各输入参数对模型预测能力的影响程度，并使用泰勒图进行模型精度的统计对比。研究结论为：机器学习模型，特别是XGBoost，能够有效预测GFRP筋增强UHPC工字梁的抗剪承载力性能。

相关论文