⚡ electrical engineering

Development of Machine Learning Algorithms to Predict Damage Level of RC Structures Exposed to Extreme Dynamic Loads

本研究提出并评估了五种基于有限元数据训练的机器学习算法，用于预测爆炸引起的钢筋混凝土柱损伤，确定了 CatBoost 为最有效的模型，并强调了结构深度、装药量和钢筋屈服强度是主要影响因素。

原作者： Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，一个钢筋混凝土（RC）建筑柱子就像一根坚固的、带有钢筋加固的树干。现在，想象就在这棵“树”旁边发生了一场巨大的爆炸。冲击波袭向这棵“树”，大问题来了：这棵树会遭受多大的破坏？ 是只会留下几道划痕、折断一根树枝，还是会彻底从中折断？

传统上，工程师必须通过在实验室里建造昂贵且危险的物理模型，或者运行极其复杂、耗时数小时甚至数天的计算机模拟来回答这个问题。这就像是每次想知道是否会下雨时，都要在房间里重新构建一个完整的、全尺寸的大气层来进行预测。

本论文介绍了一种更聪明、更快速的方法：机器学习（ML）。把机器学习想象成一个超级聪明的学生，他已经学习了成千上万个“如果……会怎样”的情景，并掌握了这些混凝土柱在爆炸下反应模式的规律。我们不需要每次都建立一个新模型，只需问这位“学生”：“这是爆炸的细节和柱子的参数；破坏程度会有多大？”

以下是他们是如何做的以及他们的发现，使用了简单的类比：

1. 训练场（数据）

在这些“学生”（AI 模型）能够学习之前，研究人员必须先创建一个庞大的练习题库。他们没有使用真实的爆炸（因为那既危险又昂贵）；相反，他们使用了一个名为 LS-DYNA 的高级计算机程序，在虚拟柱子上模拟了数百次爆炸。

他们创建了一个包含 10 种不同“成分”的数据集，每个场景都包含这些成分，例如：

柱子的尺寸（深度和宽度）。
混凝土和钢材的强度。
炸弹的重量。
炸弹的距离。

2. 五位学生（算法）

研究人员并没有只选一个 AI，而是雇佣了五位具有不同学习风格的“学生”，以观察谁最擅长预测破坏程度。

随机森林 (RF)： 像是一个专家委员会。他们每个人都从略微不同的角度观察问题，并进行投票决定答案。
LightGBM, CatBoost, 和 XGBoost： 这些就像是一组循序渐进的侦探团队。第一个人做出一个猜测，第二个人观察第一个人的错误并试图修正它，第三个人修正第二个人的错误，以此类推。他们随着每一步都在变得更加聪明。
SVM (支持向量机)： 这像是一个严格的裁判，试图画出一条直线（或平滑的曲线）来区分“安全”与“受损”。

3. 测试（谁赢了？）

研究人员给这五位学生提供了一组他们从未见过的全新问题，以测试谁能最准确地预测破坏程度。

冠军：CatBoost。 这个模型是绝对的冠军。它最准确、最可靠。它比其他模型更好地学习了爆炸这种复杂且混乱的模式。
亚军：随机森林 (Random Forest)。 它非常一致且稳定，尽管准确度略低于冠军。
表现挣扎者：XGBoost 和 LightGBM。 它们表现尚可，但在性能方面起伏较大。
失败者：SVM。 这个模型完全失败了。它就像试图用一把直尺去测量一条弯弯曲曲的线；爆炸造成的破坏太混乱且难以预测，不适合这种特定的“直线型”思维方式。

4. 到底什么才是关键？（核心成分）

获胜的模型（CatBoost）还告诉了研究人员哪些“成分”更为重要。这就像一位厨师告诉你哪些香料让菜肴味道更好。

柱子的深度（大赢家）： 最重要的因素是柱子的“深度”或厚度。增加柱子的深度就像让树干变粗一样；这会让它变得极难被折断。这单一因素就占据了破坏预测权重的近 38%。
炸弹的重量： 显然，更大的炸弹会造成更大的破坏，但两者之间的关系并不是简单的“炸弹增加一倍，破坏也增加一倍”。它的逻辑更复杂，但仍然非常重要（约占 27%）。
钢材的强度： 贯穿在混凝土内部的钢筋强度是第三重要的因素（14%）。更强的钢材有助于柱子在混凝土开裂后仍能保持整体结构。

令人惊讶的发现：

混凝土强度： 令人惊讶的是，一旦超过某个临界点，增加混凝土的强度带来的帮助并没有预期的那么大。这就像是用一块超硬的石头做门挡；一旦它足够硬了，再怎么变硬也无法阻止门摆动。
横向钢筋（箍筋）： 如果柱子本身已经符合设计规范，那么这些固定主筋的小钢圈（箍筋）的影响就不大。这就像是在一辆已经配备了良好安全带的汽车上再加装额外的安全带；在碰撞发生时，它并不会改变最终的结果。

5. 为什么这很重要

论文的结论是，我们不再需要为每一个设计都运行缓慢且昂贵的计算机模拟了。我们可以使用 CatBoost 模型来瞬间预测柱子在爆炸中会遭受多少破坏。

速度： 它是即时的。
准确性： 它足够可靠，可以帮助工程师设计更安全的建筑。
安全性： 它有助于识别哪些建筑容易受到攻击，以及哪些设计变更（如增加柱子深度或使用更强的钢材）能挽救更多的生命。

简而言之，研究人员为工程师打造了一个“水晶球”。工程师不再需要通过猜测或等待数天的模拟，而是可以直接询问 AI：“如果我们建造这样一个尺寸的柱子，配上这么多钢材，并在这里发生这么大规模的爆炸，破坏程度会有多严重？” 并且能在几秒钟内得到一个可靠的答案。

技术摘要：开发用于预测受极端动态载荷作用下钢筋混凝土结构损伤等级的机器学习算法

1. 问题陈述

由于恐怖袭击频率的上升以及潜在的工业事故，钢筋混凝土（RC）结构正日益面临脆弱性问题。传统的评估爆炸载荷损伤的方法——实验测试和数值模拟——面临显著的局限性。实验分析成本高昂、耗时长，且存在严重的安全性风险。相反，虽然数值模拟（例如使用 LS-DYNA 的有限元分析）可以提供详细的见解，但它们需要大量的计算资源和专业知识，这使得在初步设计或大规模脆弱性筛查中并不实用。

目前迫切需要一种更简单、更快且准确的方法来预测爆炸载荷下钢筋混凝土柱的损伤水平。本研究通过调查机器学习（ML）算法作为传统模拟方法的有效性，旨在解决这一差距，将其作为数据驱动的替代方案。

2. 研究方法

2.1 数据生成与数值模拟

本研究利用通过数值模拟而非物理实验生成的综合数据集。

软件： 使用 LS-DYNA 对爆炸载荷作用下的钢筋混凝土柱的动态响应进行建模。
模型细节： 模型代表了矩形钢筋混凝土柱（截面 500×700 mm，高度 4400 mm），具有特定的纵向和横向配筋。
材料模型：
- 混凝土： 使用 MAT_CONCRETE_DAMAGE_REL3 (MAT 72Rel3) 进行建模，以捕捉非线性行为、损伤累积和应变率效应。
- 钢材： 使用 MAT_PIECEWISE_LINEAR_PLASTICITY (MAT 24) 进行建模。
- 应变率： 应用基于 CEB-FIB 模型法的动态增加因子 (DIF)，以考虑爆炸事件中典型的典型高应变率。
加载： 爆炸载荷通过应用于柱表面的简化三角形压力-时间历程进行模拟，该历程由峰值超压和正压阶段持续时间定义。
验证： 数值模型通过了 Baylot 和 Benvis (2007) 的实验数据验证，在柱中截面挠度和残余位移方面表现出高度一致性。

2.2 损伤评估

基于残余轴向承载力定义了一个损伤指数 ( $D$ )：
$D = 1 - \frac{P_{residual}}{P_d}$
其中 $P_{residual}$ 是受损柱的承载力， $P_d$ 是未受损柱的承载力。损伤等级分为四类：低级 ( $0 < D < 0.2$ )、中级 ( $0.2 < D < 0.5$ )、高级 ( $0.5 < D < 0.8$ ) 和坍塌 ( $0.8 < D < 1$ )。

2.3 机器学习框架

针对源自有限元模型的数据集，训练并测试了五种不同的机器学习算法：

随机森林 (RF)
轻量级梯度提升机 (LightGBM)
分类提升树 (CatBoost)
极端梯度提升 (XGBoost)
支持向量机 (SVM)

输入特征（10 个参数）：

几何参数：柱深 ( $D$ )、宽度 ( $w$ )、高度 ( $H$ )。
材料参数：混凝土抗压强度 ( $f_c$ )、纵向钢筋屈服强度 ( $f_y$ )、横向钢筋屈服强度 ( $f_{yt}$ )、纵向配筋率 ( $\rho$ )、横向配筋率 ( $\rho_s$ )。
爆炸参数：装药量 ( $W$ )、标距 ( $Z$ )。

3. 主要贡献

对比分析： 本研究针对爆炸载荷下钢筋混凝土柱损伤预测这一具有非线性、多阈值特征的问题，对五种最先进的机器学习算法进行了严格的比较。
确定最优算法： 研究确定了 CatBoost 是该特定应用中的优胜模型，在准确性和可靠性方面优于 RF、XGBoost、LightGBM 和 SVM。
特征重要性量化： 研究量化了几何、材料和爆炸参数对损伤严重程度的相对影响，为设计优化提供了数据驱动的见解。
敏感性分析： 研究绘制了输入变量（如装药量、柱深）与所得损伤指数之间的非线性关系图，识别了结构行为的关键阈值。

4. 结果

4.1 模型性能

使用 $R^2$ 、均方误差 (MSE)、平均绝对误差 (MAE)、解释方差得分 (EVS)、平均绝对百分比误差 (MAPE) 和均方对数误差 (MSLE) 对性能进行评估。

CatBoost (第一梯队)： 表现最佳，其 $R^2$ 为 0.7125，MAE 为 1,061.09，MAPE 为 17.63%。它在准确性和可靠性之间达到了最佳平衡。
随机森林 (第二梯队)： 表现良好（ $R^2 = 0.6274$ ），具有最高的稳定性（ $R^2$ 标准差最低），是稳健的替代方案。
XGBoost (第二梯队)： 取得了具有竞争力的平均准确度（ $R^2 = 0.6109$ ），但表现出高变异性（标准差为 0.2313），表明其对数据划分较为敏感。
LightGBM (第三梯队)： 性能平庸（ $R^2 = 0.5043}$ ），可能是由于其按叶生长策略导致对局部模式过拟合。
SVM (第四梯队)： 完全失效，其 $R^2$ 为 -0.0170，表明无法捕捉爆炸载荷固有的复杂非线性和不连续过渡（例如从局部损伤到坍塌）。

4.2 特征重要性

根据 CatBoost 模型，输入参数按其对损伤预测的影响程度排序如下：

结构构件深度 ( $D$ )： 38.45%（主导因素）。
装药量： 27.25%。
纵向钢筋屈服强度 ( $f_y$ )： 14.55%。
标距 ( $Z$ )： 6.42%。
横向配筋率 ( $\rho_s$ )： 3.04%。
横向钢筋屈服强度 ( $f_{yt}$ )： 2.71%。
混凝土抗压强度 ( $f_c$ )： 2.66%。
柱高 ( $H$ )： 2.21%。
柱宽 ( $w$ )： 1.78%。
纵向配筋率 ( $\rho$ )： 0.93%。

4.3 敏感性与阈值

深度： 在 550 mm 和 650 mm 之间存在明显的阈值。当深度超过 600 mm 时，在减少损伤方面的收益递减。
装药量： 损伤随装药量呈对数增长，并在结构接近完全坍塌时趋于平缓。
混凝土强度： 由于应变率效应 (DIF) 会使静态强度差异归一化，因此将 $f_c$ 提高到 45 MPa 以上带来的额外收益微乎其微。
横向配筋： 在研究范围内，只要满足最低规范要求，横向配筋的变化对残余轴向承载力损伤指标的影响可以忽略不计。

5. 重要性与声明

本文声称所开发的机器学习模型，特别是 CatBoost，为预测爆炸载荷下钢筋混凝土柱的结构损伤和失效模式提供了一个快速且准确的工具。

实际效用： 这些模型可以取代计算昂贵的有限元模拟，用于初步设计和脆弱性筛查，前提是应用适当的安全系数。
设计指导： 研究提供了具体且有数据支持的设计建议：
- 为了抗爆设计，应优先考虑增加柱深，而非增加混凝土强度或增加横向配筋。
- 利用高强纵向钢材（ $f_y \ge 500$ MPa）来利用应变率优势。
- 对于抗爆设计，避免指定明显高于 45 MPa 的混凝土强度，因为边际收益很低。
- 在场地规划期间，将标距（净距）作为主要的防护措施。

作者得出结论，虽然这些模型受限于所使用的参数范围和数值模拟数据，但它们代表了向高效、数据驱动的抗爆设计迈出的重要一步。研究明确表示，其结论不具备超越测试范围的普适性，并建议未来的工作应纳入实验数据并扩展到其他结构构件。