Evidence-Constrained Machine-Learning Prediction and LLM-Assisted Controlled Online Updating for the Ultimate Axial Capacity of Concrete-Filled Steel Tube Columns

在土木工程领域，一些最坚固且最高效的建筑构件并非由单一材料制成，而是由两种材料协同工作而成。想象一下，一个内部填充了混凝土的钢管。钢管就像一层紧密的皮肤，挤压着混凝土，防止其在压力下开裂；而内部的混凝土则阻止了薄弱的钢壁向内凹陷或坍塌。这种伙伴关系创造出的柱体，其强度远超任何一种材料单独存在时的表现。这些组合柱广泛应用于摩天大楼、桥梁和抗震结构中，因为它们具有成本效益高、易于建造且极具韧性的特点。然而，准确计算出这样一根柱子在失效前能承受多少重量是一个复杂的计算过程。长期以来，工程师一直依赖物理测试和数学公式来估算这一极限，但由于尺寸、材料和形状的多样性，实现完美的预测非常困难。

现在，一组研究人员开发出了一种解决这一问题的新方法，将机器学习的模式识别能力与现代人工智能的对话便捷性结合在一起。该系统并非强迫工程师将数字填入僵化的电子表格，而是允许用户用通俗易懂的英语描述一根柱子，并获得对其强度的精确预测。研究人员将该系统称为 StructureGPT，它并不靠猜测来给出答案，而是使用一个经过高度训练的数学模型来计算结果，同时由一个语言助手负责对话并解释推理过程。这种方法旨在使先进的结构分析变得更加平易近人，同时确保数值始终基于现实世界的物理学原理。

研究人员首先从过去的科学研究中收集了海量数据。他们汇总了来自近 3,200 个实际实验室测试的柱体信息，包括圆形和矩形形状。对于每个样本，他们记录了诸如高度、钢壁厚度、混凝土强度以及载荷施加方式等细节。随后，他们训练了六种不同的计算机学习算法来寻找这些数据中的隐藏模式，本质上是让计算机学习物理尺寸与柱子所能承受的最大重量之间的关系。在利用一部分从未见过的测试数据对这些算法进行测试后，一种方法脱颖而出，成为了明显的优胜者。一种被称为“梯度提升”（gradient boosting）的技术——通过结合许多简单的决策树来构建预测——被证明是最准确的。对于圆柱体，它预测强度的误差约为 669 千牛；而对于矩形柱，误差甚至更小，约为 304 千牛。这些结果显著优于其他测试方法，包括标准的线性方程和神经网络。

为了确保该系统不仅仅是一个给出答案却不提供解释的“黑箱”，研究人员使用了一种诊断工具来观察哪些因素最为重要。他们发现，对于圆柱体而言，管径和钢壁厚度是最具影响力的变量；而对于矩形柱，截面的宽度和高度则是关键。这符合工程直觉：更宽或更厚的柱子通常能承载更多重量。然而，研究人员谨慎地指出，这些模式是基于他们现有的数据得出的，应当根据物理定律进行核查。计算机是从数字中学习，但它本身并不理解钢材和混凝土的物理特性，因此人类工程师仍需验证结果是否合理。

这项工作的最创新之处在于系统如何处理新信息。在传统的软件更新中，模型一旦训练完成就会被冻结。在这里，研究人员构建了一种安全机制，允许系统随着新数据的可用而进行学习，但前提是这些数据必须是可靠的。他们通过向系统输入一系列经过验证的新实验结果来测试这一点。在系统接受新的信息来更新其内部知识之前，它会进行快速检查。如果新数据看起来像是异常值，或者更新模型会导致其对已知案例的预测能力下降，系统就会拒绝更改并回滚到之前的状态。在针对矩形柱的实验中，系统在 78 个新样本中接受了约 31 次更新，在没有降低原始测试集准确性的情况下，成功地精炼了其预测。这种“验证门控”（validation-gated）方法确保了系统在变得更加聪明的同时，不会意外地遗忘已掌握的知识。

最后，团队将这些强大的计算引擎封装进了一个用户友好的交互界面中，使其感觉像是在进行对话。用户可以输入类似这样的请求：“一个宽度为 400 毫米、钢壁厚度为 30 毫米的矩形柱的承载能力是多少？”系统会提取特定的数字，检查它们是否在合理范围内，然后运行计算。它会返回预测的强度（以千牛为单位），并提供一段通俗易懂的解释，说明为何得出该数值，并强调最重要的影响因素。如果用户随后提供了来自已完成测试的真实测量值，只要该数据通过了安全检查，系统就可以利用它来进行自我改进。这创造了一个循环，使人类的专业知识与机器的精密性能够协同工作，让工程师在保持对结果可靠性严格控制的同时，获得快速且基于数据的洞察。

研究结论指出，虽然该系统在使结构分析变得具有交互性和适应性方面迈出了重要一步，但它并不是专业判断的替代品。预测是基于系统训练时使用的特定数据，研究人员承认，该模型需要针对不同类型的数据源进行进一步测试，以确保其具有普适性。他们还指出，当前版本仅将语言模型用于与用户交流和提取数字，而将实际繁重的数学运算留给了专门的回归模型。这种分离是刻意为之，旨在确保数值是可追溯且可复现的。通过将高精度的机器学习与受控的学习新数据的方法相结合，研究人员建立了一个原型，有望帮助工程师在设计更安全、更高效的建筑时做出更好的、更快速的决策。