基于符号回归和机器学习技术预测混杂FRP-钢筋混凝土梁的抗弯强度

摘要整理

混杂纤维增强复合材料（FRP）与钢筋混凝土梁因其优异的抗弯性能而获得广泛认可，其性能超越单独采用FRP筋混凝土梁。然而，现行设计规范（如ACI 440.11–22）对混杂FRP-钢筋体系的抗弯强度预测精度不足。本研究采用机器学习（ML）技术和符号回归等先进计算方法，旨在提高抗弯强度模型的预测精度和可解释性。基于134组实验数据建立预测模型。结果表明，ML和符号回归模型均显著优于ACI 440.11–22规范方程，误差指标（MAE、MAPE、RMSE）更低，精度（R²）更高。其中，高斯过程回归（GPR）、NGBoost和CatBoost等ML模型表现优异，训练集R²值接近1.0，GPR模型的训练集MAPE%仅为5.19%，测试集MAPE%为11.51%。符号回归得到透明的数学表达式，平均预测比（µ）为1.003，变异系数为0.139，MAPE%为11.08%。研究结果表明符号回归在开发混杂FRP-钢筋混凝土梁可靠、可解释且高效的设计方程中具有显著的实用和技术优势。

相关论文