⚡ electrical engineering

A Physics-Informed Machine Learning Approach for Predicting Punching Shear Strength of Reinforced Concrete Flat Slabs

本研究提出了一种可解释的物理信息机器学习框架，该框架将 XGBoost 回归与对数变换相结合，以推导出一个高精度且透明的幂律方程，用于预测钢筋混凝土单向板的冲切抗剪强度，在显著优于传统 ACI 318-19 规定的同时，仍能保持对结构工程师的实用性。

原作者： Aaqib Ali, Aslam Faqeer Mohammad

发布于 2026-08-31

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Aaqib Ali, Aslam Faqeer Mohammad

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

在现代建筑领域，平坦的混凝土楼板是用于从公寓大楼到停车库等各种建筑物的常见选择。它们提供了整洁、开放的外观，并允许灵活的内部布局，但同时也带来了一个隐藏的结构挑战。当重载压在楼板上时，力量必须从宽阔的板体传递到支撑它的狭窄柱子上。在这个交界处，混凝土承受着剧烈的局部应力，这可能导致其突然且毫无预警地失效。这种被称为“冲切剪切”（punching shear）的失效形式，是指柱子周围的混凝土发生裂缝并脱离，就像饼干切割器穿透面团一样。如果这种情况发生，楼板可能会坍塌到下一层，并可能引发连锁反应，导致整栋建筑倒塌。

几十年来，工程师们一直依赖标准的经验法则来防止这种灾难。这些规则存在于建筑规范中，使用简化的数学方法来估算楼板在被冲穿前能承受多少重量。虽然这些公式易于使用，但它们基于旧数据，并且做出了广泛的假设，往往忽略了混凝土与钢材相互作用的复杂现实。这些规则可能过于保守，导致材料浪费；或者在特定情况下过于乐观，从而带来危险。为了解决这个问题，研究人员开始转向机器学习，这是一种能够从海量数据中发现模式的计算机智能。然而，这些计算机模型通常被视为“黑箱”，这意味着它们给出答案却不解释得出答案的过程，这使得工程师在进行涉及生命安全的计算时犹豫不决。

巴基斯坦 NED 工程技术大学的一个研究小组开发了一种新方法，弥补了这一差距。他们想要创造一种预测工具，既要像最智能的计算机模型那样准确，又要像工程师已知的传统规则那样清晰易用。为此，他们收集了来自世界各地实验室的大量真实测试结果。他们的数据库包含了 4 08 个不同的混凝土板试件，每个试件都经过了直至失效的测试。这些测试的属性差异很大，使用的混凝土强度在 16.5 到 119 兆帕之间，板的有效深度在 70 到 456 毫米之间。研究人员还观察了支撑柱的大小以及混凝土内部钢筋的含量。

团队首先将这些数据输入到一个名为 XGBoost 的强大机器学习算法中。这个系统就像一名高明的侦探，分析了混凝土强度、钢筋比例和尺寸的数千种组合，以学习它们究竟是如何影响失效点的。计算机模型学到，最关键的因素是楼板的深度、柱子的尺寸和钢筋的含量，以及围绕柱子可能发生失效的周长的一个计算度量值。机器学习模型的表现极其出色，正确预测了数据中 95.95% 的变化情况。相比之下，标准建筑规范公式仅捕捉到了约 81.85% 的变化。

更重要的是，研究人员并没有止步于计算机预测。他们将机器学到的复杂模式转化为一个单一、简单的数学方程，任何工程师都可以使用基础计算器来使用它。这个新公式看起来和感觉起来都像是在建筑规范中发现的传统规则，但它是建立在机器学习所提供的深层理解之上的。在针对相同数据的测试中，这个新方程与标准规范相比，将平均预测误差降低了近 60%。旧的代码经常低估重型钢筋加固板的强度，或高估薄板的安全性，而新公式则针对这些细微差别进行了调整，从而为楼板何时失效提供了更可靠的估计。

这项研究证实，这种新方法不仅仅是一个统计技巧，而是植根于混凝土行为的实际物理机制。研究人员发现，计算机正确识别了人类专家长期以来所理解的相同物理原理：即更深的楼板和更大的柱周长能提供更多的抗失效能力。通过将机器学习的模式识别能力与简单公式的透明度相结合，该团队创造了一种既高度准确又易于信任的工具。这项工作表明，未来的结构设计并不需要在这两种选择之间做出抉择——即复杂的计算机模型与简单的规则；相反，利用前者来完善后者是完全可能的，这能在不需要工程师成为数据科学家的前提下，确保建筑更加安全且高效。

技术摘要：一种用于预测钢筋混凝土平板冲切抗剪强度的物理启发式机器学习方法

问题陈述
准确预测钢筋混凝土（RC）平板的冲切承载力（ $V_u$ ）是结构工程领域中一个持久的挑战，这归因于材料特性、配筋特征与几何参数之间复杂的非线性相互作用。传统的规范设计规定（如 ACI 318-19）依赖于简化的经验公式。虽然这些方程易于实施，但由于它们假设线性关系并忽略了关键变量（如受弯配筋率 $\rho$ 的直接力学贡献），往往表现出显著的预测不确定性。这可能导致在高配筋区域设计过于保守，或在薄型低配筋平板中产生过于宽松且不安全的估计。相反，虽然先进的机器学习（ML）模型（如 XGBoost）提供了卓越的预测精度，但其“黑盒”性质——依赖于数百个不连续的决策分裂——限制了其在实际结构设计中的应用，因为结构设计需要透明的、闭合形式的方程以实现快速计算和符合规范要求。

研究方法
本研究提出了一种数据驱动、面向规范的框架，旨在弥合高保真机器学习精度与实际工程实用性之间的鸿沟。研究利用了一个包含来自各类历史研究的 408 个内部钢筋混凝土平板-柱连接试件的综合实验数据库。研究方法通过四个系统阶段进行：

数据汇编与预处理： 编制了一个结构矩阵，清理了空值，并将配筋率（ $\rho$ ）从百分比转换为小数规模，以确保统计完整性。
物理启发式特征工程： 为了实现力学透明度，研究将基于结构力学的物理启发式特征引入输入向量。具体而言，计算了临界剪切周长（ $b_0 = 4(c+d)$ ）和混凝土抗拉指标（ $\sqrt{f'_c}$ ）。最终的输入向量包括混凝土抗压强度（ $f'_c$ ）、钢材屈服强度（ $f_y$ ）、有效高度（ $d$ ）、柱宽（ $c$ ）、配筋率（ $\rho$ ）、 $b_0$ 和 $\sqrt{f'_c}$ 。
模型训练与基准测试： 使用 80% 的数据（326 个试件）训练 XGBoost 回归器，并在留出的 20% 测试集（82 个试件）上进行验证。模型的性能与标准的 ACI 318-19 经验方程进行了基准对比。
对数变换乘法引擎： 为了解决“黑盒”局限性，作者开发了一个专门的引擎。通过将数据集映射到对数空间以实现关系线性化，从而通过最小二乘回归优化幂律指数。随后，将这些优化后的参数转换回紧凑的、闭合形式的乘法幂律方程。

核心贡献

开发可解释的设计方程： 主要贡献是推导出了一个独立的、单行的幂律方程（ $V_u = \alpha \cdot (f'_c)^a \cdot (f_y)^b \cdot (d)^c \cdot (c)^e \cdot (\rho)^g$ ），该方程在保持复杂机器学习模型预测精度的同时，符合传统设计规范的形式。
集成物理启发式特征： 研究表明，将特定领域的物理参数（临界剪切周长和混凝土抗拉强度）纳入机器学习特征空间，增强了模型捕捉具有物理意义的关系的能力。
定量优于经验规范： 该框架通过严谨的统计对比显示，所提出的机器学习方法在方差解释和误差最小化方面显著优于 ACI 318-19 规范规定。

结果
使用决定系数（ $R^2$ ）、平均绝对误差（MAE）和均方根误差（RMSE）在独立测试集上对所提框架的性能进行了评估：

XGBoost 模型： 实现了 0.9595 的 $R^2$ ，MAE 为 26.21 kN，RMSE 为 43.79 kN。
推导出的乘法公式： 实现了 0.9542 的 $R^2$ ，MAE 为 35.5 kN，RMSE 为 56.22 kN。
ACI 318-19 基准： 实现了 0.8185 的 $R^2$ ，MAE 为 64.42 kN，RMSE 为 92.74 kN。

XGBoost 模型在方差解释方面比 ACI 318-19 基准提高了 17.23%。此外，机器学习方法将 MAE 降低了 59.31%，将 RMSE 降低了 52.78%，这表明预测离散度大幅降低，并消除了高量级的异常值误差。特征重要性分析证实，模型优先考虑几何尺度（有效高度 $d$ 和临界周长 $b_0$ ）以及材料特性（ $\rho$ 和 $\sqrt{f'_c}$ ），其方式与经典的混凝土断裂力学相一致。

意义与主张
本文声称，该方法成功弥合了高保真机器学习的准确性与结构设计实际需求之间的差距。通过将复杂的算法模式转化为透明的、乘法幂律方程，本研究为工程师提供了一个既高度准确又能在现场即时使用的工具，无需复杂的计算工具、互联网连接或软件运行环境。推导出的方程为预测冲切承载力提供了一个可靠的替代方案，通过比当前经验规范更精确的容量估计，潜在地降低了脆性破坏的风险。作者指出，虽然目前的模型针对不带剪切钢筋的内部板-柱连接进行了优化，但该框架为未来扩展到包含剪切钢筋、偏心加载和复杂几何形状奠定了基础。

技术摘要：一种用于预测钢筋混凝土平板冲切抗剪强度的物理启发式机器学习方法

类似论文