⚡ electrical engineering

Physics-Integrated Machine Learning Framework for Predicting the Load Capacity of Single Row Bolted Steel to Timber Connections in Tropical Hardwoods

本研究提出了一种物理集成机器学习框架，通过训练模型来修正实验结果与现有设计规范之间的差异，成功预测了单排螺栓钢-木连接在马来西亚热带硬木（巴劳木和比蒂斯木）中的横向承载力，从而为将木结构设计标准扩展至热带树种提供了一条可靠途径。

原作者： Md. Abdul Kaium Mia, Abdul Razak Abdul Karim, Norazzlina M. Sa’don, Md. Habibur Rahman Sobuz, Borsha Podder, Siti Hanim Sahari, Teng Xin Yao, Nur Liza Rahim, Pierre Quenneville

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Md. Abdul Kaium Mia, Abdul Razak Abdul Karim, Norazzlina M. Sa’don, Md. Habibur Rahman Sobuz, Borsha Podder, Siti Hanim Sahari, Teng Xin Yao, Nur Liza Rahim, Pierre Quenneville

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

大局观：为木桥构建更好的安全网

想象一下，你正在用木头和钢材建造一座桥，并用巨大的螺栓将它们连接在一起。你需要准确知道这座桥在断裂前能承受多少重量。

几十年来，工程师们一直使用“规则书”（数学公式）来推测这个重量。然而，这些规则书是为针叶软木（如松木和云杉，常见于寒冷气候）编写的。本研究的研究人员正在处理来自马来西亚的热带硬木（如 Balau 和 Bitis）。这些木材密度更高、更硬，且表现特性不同。拿着旧规则书来处理这些新木材，就像试图用一本为自行车编写的手册来驾驶一辆一级方程式赛车；它或许能跑，但并不精准，甚至可能不安全。

这项研究试图通过为工程师构建一个**“智能副驾驶”**来解决这个问题。它将传统的、值得信赖的规则书与全新的、具备数据智能的计算机大脑相结合，以精确预测这些热带木材连接件的强度。

问题所在：“复制粘贴”陷阱

研究人员在处理数据时遇到了一个棘手的难题。他们测试了 36 组不同的木材连接件。每组包含 10 件完全相同的木材。

如果让计算机通过随机打乱这些部件来进行学习，计算机就会获得一个“作弊码”。它会在“训练集”中看到同一组中的 9 件部件，然后只需去猜测第 10 件。由于第 10 件与前 9 件完全相同，计算机并不是在真正学习物理学，而是在背诵答案。这被称为数据泄露（Data Leakage）。这就像一个学生不是在学习学科知识，而是在背诵特定考试题目的答案。

解决方法： 研究人员让计算机按“组”进行学习。他们将整组（10 件部件）从计算机的视野中隐藏起来，用其他 35 组进行训练，然后让计算机去预测被隐藏的那一组。他们重复了这个过程 36 次。这确保了计算机学习的是木材的规律，而不是仅仅死记硬背特定的答案。

解决方案：“物理残差”策略

研究人员并没有要求计算机从零开始预测重量（这很难且容易产生离谱的猜测），而是采用了一种聪明的两步走策略，称为**“物理残差学习”（Physics-Residual Learning）**。

可以这样理解：

旧规则书（锚点）： 首先，计算机使用标准工程公式（EYM、RSM 和 MS544）计算重量。假设规则书说这座桥可以承重 50 吨。
现实世界（差距）： 在实验室中，这座桥实际承重为 65 吨。这里存在 15 吨 的差距。
智能副驾驶（修正）： 计算机的任务仅仅是学习如何填补这 15 吨的差距。它不会试图重新发明轮子，它只是学习为了让旧规则书符合现实所需的“修正因子”。

这使得预测始终基于真实的物理学基础。即使计算机产生困惑，它也不会建议这座桥能承重 1,000 吨或 -50 吨；它会始终保持在安全、逻辑合理的基准线附近。

结果：谁赢得了比赛？

研究人员测试了六种不同类型的计算机“大脑”（算法），以观察哪一个在弥补差距方面表现最好。

获胜者： 支持向量回归（SVR）。它是最准确的，误差率仅为 8.6% 左右。它就像是车间里最可靠的机械师。
亚军： CatBoost 和 XGBoost 也表现得非常好，几乎与获胜者一样准确。
落后者： 一些其他方法（如简单的决策树）过于不稳定，犯下的错误较大。

计算机学到了什么？（“为什么”）

研究人员使用了一种特殊的工具——SHAP，来询问计算机：“哪些因素最重要？”

木材类型是关键： 最重要的因素仅仅是木材的种类。Bitis 木材的表现始终比 Balau 木材更强。计算机立即识别出了这一点。
间距很重要： 螺栓放置的距离（螺栓间距）是第二重要的因素。
规则书依然有效： 有趣的是，表现最好的模型（SVR 和 CatBoost）实际上听取了旧规则书的数据。然而，“XGBoost”模型大多忽略了规则书，仅依赖几何结构。研究人员更倾向于那些听从规则书的模型，因为这使得预测更加安全且符合逻辑。

最终产品：一个安全的设计工具

目标不仅仅是预测“平均”重量，而是要找到一个工程师在现实生活中可以使用的安全、保守的极限值。

他们计算了一个“安全系数”（一个小于 1 的数字）。

对于表现最好的模型（SVR），该系数为 0.842。
运作方式： 如果计算机预测一座桥可以承重 100 吨，工程师只需将其乘以 0.842。设计极限就变成了 84.2 吨。
原因： 这确保了在 100 次情况中的 95 次，实际的木材强度都会高于设计极限。这是一个考虑到木材作为天然材料具有变异性的安全缓冲。

总结

这篇论文为热带硬木的螺栓连接设计创造了一种更聪明的新方法。

它通过在整组木材而非单个部件上进行测试，避免了作弊行为。
它没有抛弃旧的工程规则；而是将它们作为基础，并让计算机学习“修正”。
它发现木材类型和螺栓间距是最关键的因素。
它产生了一个简单的公式（预测值 × 0.842），工程师可以用它来安全地设计使用马来西亚热带硬木的结构，确保结构足够强壮以承受载荷，同时又不会过度浪费。

注：该研究目前仅限于两种特定的木材（Balau 和 Bitis）及特定的螺栓尺寸。研究人员谨慎地指出，该工具是针对这些特定情况的，在进行更多测试之前，不应用于其他木材或螺栓类型。

技术摘要：用于预测热带硬木中螺栓钢-木连接承载力的物理集成机器学习框架

1. 问题陈述

预测螺栓钢-木连接的横向承载力仍然是木结构工程中的一个重大挑战，特别是对于热带硬木而言。现有的设计标准（如欧洲屈服模型 EYM 和 Row 切剪模型 RSM）主要针对温带软木物种（如云杉、松木、冷杉）进行校准。当这些模型应用于马来西亚热带硬木（如 Balau (Shorea spp.) 和 Bitis (Madhuca spp.)）时，往往缺乏准确性，因为这些硬木具有更高的密度、不同的纹理结构以及独特的破坏机制。

此外，将机器学习（ML）应用于该领域面临三个具体的算法障碍：

数据稀缺性与结构性： 连接测试的实验数据集通常规模较小且具有高度结构化特征，即单个连接组内的多个试件共享相同的几何输入。
数据泄露： 在试件层面进行标准的随机交叉验证会导致数据泄露，即模型倾向于“记忆”组响应而非学习具有泛化能力的映射，从而导致性能评估过于乐观。
缺乏物理基础： 纯数据驱动的模型可能会产生违反既定工程原理的预测，尤其是在超出训练领域的推断过程中。

2. 研究方法

2.1 实验数据集

本研究利用了一个由 36 个连接组（360 个独立试件）组成的数据集，这些数据源自对单剪、单排、钢板对木材螺栓连接的系统性测试。

树种： Balau 和 Bitis（马来西亚强度等级 1）。
配置： M13 4.6 级螺栓，6 mm 轻质钢板，平行于木纹加载。
变量： 紧固件数量 ( $N$ )、端距比 ( $e/d$ ) 以及螺栓间距比 ( $s_b/d$ )。
目标值： 每个组的平均承载力被用作建模的数据点。

2.2 物理集成框架

研究采用了物理残差学习策略，而非从零开始训练模型来预测承载力。

物理锚点： 为每个组计算了三种既定的设计方程（EYM、RSM 和 MS544-5）。这三种预测值的最小值 ( $R_{min}$ ) 作为物理基准。
残差学习： ML 模型旨在预测残差误差（ $\varepsilon = R_{exp} - R_{min}$ ），而非绝对承载力。最终预测值 ( $R_{ml}$ ) 计算为 $R_{min} + \hat{y}(\varepsilon)$ 。这确保了预测结果始终锚定在物理理论之上。

2.3 验证与可解释性

组级留一法交叉验证 (Group-LOO-CV)： 为防止数据泄露，研究采用了 36 折交叉验证方案，其中整个连接组（而非单个试件）被作为测试集扣除。这确保了模型是在未见的几何配置上进行测试。
算法： 评估了六种算法：支持向量回归 (SVR)、CatBoost、XGBoost、随机森林 (Random Forest)、K-最近邻 (KNN) 和梯度提升 (Gradient Boosting)。
可解释性： 使用 SHAP (SHapley Additive exPlanations) 和排列重要性 (permutation importance) 来量化特征贡献，并确保物理可解释性。
校准： 推导出了一个校准因子 ( $\phi$ )，该因子为实验值与预测值之比的第 5 百分位数，用以生成保守的设计强度 ( $R_{5th}$ )。

3. 关键结果

3.1 预测性能

所有模型的表现均优于基于代码的基准值 ( $R_{min}$ )。支持向量回归 (SVR) 脱颖而出，成为表现最佳的模型：

$R^2$ ： 0.876 (±0.043)
RMSE： 6.09 kN
MAE： 4.80 kN
偏差 (Bias)： -0.783 kN（略微保守）

CatBoost ( $R^2$ = 0.846) 和 XGBoost ( $R^2$ = 0.842) 紧随其后。统计检验（Wilcoxon 符号秩检验）表明，虽然 SVR 是表现最好的模型，但前三名模型之间的差异在 95% 置信水平下并不显著。然而，SVR 在不同折叠中的表现最为一致。

3.2 特征重要性

SHAP 分析显示，木材品种、螺栓间距比和边距比是最具影响力的预测因子。

木材品种： 被确定为最主要的特征，反映了 Bitis 和 Balau 之间 6.9 kN 的平均承载力差异。
物理锚点利用率： SVR 和 CatBoost 对物理锚点 ( $R_{min}$ ) 分配了显著的重要性，确保了物理一致性。相比之下，XGBoost 在很大程度上忽略了物理锚点（SHAP 值约为 0.19 kN），转而依赖几何输入，这可能会限制其外推的可靠性。

3.3 校准与设计应用

研究推导出了校准因子 ( $\phi$ )，将原始预测值转换为保守的设计值。

SVR 校准因子： $\phi$ = 0.842。
特征强度 ( $R_{5th}$ )： 校准后的 SVR 预测值为 26.27 kN，略低于实验基准值 27.45 kN。这证实了该框架能够产生与 MS544-5 等现有标准相媲美的保守且安全的设计值。

4. 主要贡献

方法论的严谨性： 本研究通过实施 Group-LOO-CV，解决了小型、结构化实验数据集中关键的数据泄露问题，这是在结构机器学习应用中经常被忽视的一步。
物理残差策略： 研究证明，通过训练模型来修正代码预测与实验结果之间的差距（而非直接预测），可以提高针对热带硬木预测的准确性和物理一致性。
设计中的可解释性： 通过集成 SHAP 分析，研究验证了 ML 模型学习到了具有物理意义的关系（例如品种和间距比的主导地位），而非伪相关。
实际校准： 衍生出的特定校准因子为将 ML 预测整合进保守的结构设计框架提供了一条直接路径，弥合了数据驱动的准确性与工程安全要求之间的差距。

5. 意义与主张

本文声称，这是最早专门开发用于预测马来西亚强度等级 1 热带硬木中螺栓钢-木连接承载力的物理集成机器学习框架之一。

其意义在于能够：

将设计指导扩展到现有标准准确性较低的热带硬木领域。
提供一条“清晰且具有物理依据的路径”，用于扩展设计指导，而不必取代既有的基于力学的理论。
提供一种稳健、抗泄露的验证协议，可作为其他受限结构数据问题的模板。

作者保持了谦逊的态度，承认该框架目前仅限于 Balau 和 Bitis 树种以及单排配置。他们强调，该模型旨在作为决策支持工具，以补充而非取代现有的设计标准，并指出未来的工作需要在更广泛的物种范围和外部数据集上进行验证。