基于简化数据集的机器学习模型，用于评估钢筋混凝土柱的爆裂损伤

《Engineering Structures》：Reduced dataset-based machine learning model for blast damage assessment of reinforced concrete columns

预测爆炸冲击下RC柱损伤的多模型组合方法研究，提出两阶段机器学习模型：先通过200个样本数据训练分类模型识别剪切或弯曲破坏模式，再基于此结果输入回归模型预测具体损伤等级。相比传统方法（703样本），组合方法使数据量减少71.5%且平均准确率提升14.3%。

　　

金艺媛|李基鹤|申智旭

庆尚国立大学（GNU）建筑工程系，韩国庆尚南道晋州市晋州大路52828

摘要

为了减轻爆炸对建筑物结构造成的渐进性破坏，评估主要结构元素（例如柱子）的爆炸损伤至关重要。然而，现场测试和数值模拟在评估抗爆性能方面既昂贵又耗时。由于这些限制，许多研究人员开发了机器学习模型。这些模型是基于大量实验和数值模拟数据集训练得到的，而这需要大量的计算时间。本文提出了一种新的机器学习方法，该方法使用减少的数据集进行训练和测试，以预测钢筋混凝土（RC）柱的抗爆性能。建立了一个多步骤机器学习模型，整合了两种不同的模型：（1）预测柱子的破坏模式（剪切破坏和弯曲破坏），作为第二个模型的输入；（2）预测RC柱的爆炸损伤程度。与爆炸柱损伤相关的数据集是通过有限元模拟生成的，并用之前的实验结果进行了验证。基于数值模拟的数据集根据柱子的简单细节（纵向和横向钢筋细节以及轴向载荷比）和爆炸载荷情况（缩放距离）而变化。为了解决传统学习模型的局限性，使用了包含200个数据点的简化数据集来为每个损伤程度开发最佳拟合模型，并使用四种不同的组合方法将它们结合起来：（1）顺序预测方法（方法1），（2）最大正概率预测方法（方法2），（3）最大负概率预测方法（方法3），以及（4）方法1和方法2的组合方法（方法4）。其中，组合方法的预测性能最高。与使用大量数据集（703个数据点）训练的通用模型相比，所提出的组合方法（方法4）可以将数据点减少71.5％，并将每个爆炸损伤程度的平均准确率提高14.3％。

引言

异常载荷，包括冲击载荷和爆炸载荷，对人类安全产生严重影响，并由于高能量冲击的快速释放而造成巨大的经济损失。这些极端载荷条件可能导致渐进性破坏，即关键结构元素（如柱子）的局部损伤导致整个结构系统的失效[1]。渐进性破坏的影响不仅限于最初受影响的建筑物，还常常对相邻结构造成二次损害。为了有效减轻渐进性破坏的后果，准确预测关键结构构件的损伤程度并提高其抵抗爆炸力的能力至关重要。

因此，已经进行了广泛的研究——涵盖了实验、数值和理论方法——来研究结构损伤对建筑物结构的影响[2]、[3]。值得注意的是，利用有限元（FE）方法的动态分析能够评估与现实世界实验条件非常相似的结构响应，同时确保更安全的评估环境。这种方法促进了对各种类型柱子的设计变量以及损伤特性与所涉及爆炸力大小之间关系的众多研究[4]、[5]、[6]。Kyei和Braimah[7]利用FE模拟研究了剪切钢筋间距对钢筋混凝土（RC）柱抗爆性能的影响，并证实，在近距离爆炸下减小RC柱的剪切钢筋间距可以增强其剪切能力，从而减少侧向位移。Li和Hao[8]进行了数值分析，通过改变近距离爆炸下柱子的尺寸和钢筋配置来评估RC柱的损伤程度。Siba[9]研究了RC柱的破坏机制，考虑了横向钢筋比例、剪切力、轴向载荷比和缩放距离等因素。此外，Chen等人[10]进行了全面的实验和数值研究，探讨了长宽比、缩放距离和载荷位置对RC柱爆炸性能的影响。

通过FE模拟得出构件响应的过程很复杂，需要复杂的建模和应用各种设计选项，这通常需要大量的计算时间。鉴于爆炸载荷的瞬态和局部性质，快速分析结构损伤的预测至关重要。为了克服FE模拟的固有局限性，可以利用机器学习（ML）方法以惊人的速度和效率生成数据。ML是一种基于初始数据集（包含输入和输出参数）自动识别和学习变量之间关系的技术。最近，结构工程领域越来越多地采用基于人工智能的方法来解决损伤评估和预测分析中的时间限制问题。Li等人[11]使用遗传算法和反向传播神经网络（GA-BPNN）根据9000多根RC柱的动态响应和损伤模拟结果，预测了纤维增强聚合物（FRP）加固柱的残余轴向载荷能力与最大轴向载荷能力的比率。Zhou等人[12]利用深度学习（DL）模型评估了受到爆炸影响的RC柱的损伤程度，并预测了它们的破坏模式。他们生成了超过3000个数值模拟数据集，他们的多层长短期记忆（LSTM）神经网络模型实现了94％的出色预测准确率。同样，Li等人[13]引入了一种新的多任务学习（MTL）方法，可以同时预测与爆炸相关的多个关键参数，如到达时间、上升时间、持续时间和峰值压力。这种基于MTL的策略通过使用单个ML模型预测多个输出，显著提高了学习效率和性能，该模型是在包含4200个样本的强大数据集上训练的。

Monjee等人[14]使用集成方法开发了一种预测RC柱爆炸位移的模型，该方法整合了多种学习算法以提高预测准确性。他们的方法获得了0.97的R²值，表明实际数据和预测数据之间存在强相关性，尽管仅使用了420个训练样本。此外，Shin等人[15]通过使用FE模拟的数据设计过程研究了与载荷和柱子行为相关的主要参数的输出数据趋势。使用142个训练样本开发的训练模型显示出异常高的相关性，R²值为0.99。为了开发具有高预测准确性的模型，这些先前的研究需要大型数据集，使用了多种ML模型方法，或在有限的学习范围内使用了复杂的学习过程。

本研究旨在建立一个预测模型，该模型能够利用简单的学习方法快速评估爆炸损伤程度，即使是在使用减少的数据集进行训练时也能保持高预测准确性。主要目标是在减少ML模型通常依赖的数据量的同时，提高学习过程的效率。本研究实施的学习模型采用多步骤方法，整合了两种不同的机器学习模型，如图1所示。该模型的初始组成部分称为柱子破坏模式分析检测模型（简称FM模型），利用与结构柱相关的综合数据来预测潜在的破坏模式。这一功能显著提高了根据识别的破坏模式评估柱子抗爆性能的准确性。由破坏模型确定的破坏模式随后被用作第二个机器学习模型（称为BRE模型）的输入参数。BRE模型用于预测爆炸损伤程度，同时考虑了位移延展性以及特定的柱子特性和爆炸载荷情况。在为每个爆炸损伤程度开发并验证了最佳单个ML模型（最佳拟合模型）后，该研究使用了本文中概述的四种不同组合方法制定了组合方法（CM模型），以减少基于FE模拟的数据集并提高ML模型的预测性能。在提出的组合方法中，具有最高预测准确性的组合方法被选为最终的损伤预测模型。此外，通过使用包含超过700个训练数据点的数据集，将组合方法的有效性与通用方法（GM模型）进行了比较，验证了其有效性。本研究将传统的ML模型开发过程定义为GM模型。

部分摘录

数值模型的开发和验证

图2展示了用于生成RC柱爆炸响应（即最大位移）和基于延展性的抗爆性能的FE模型的开发和验证框架。使用经过良好验证的FE模型，按照以下步骤构建了用于评估爆炸损伤的通用ML模型（方法1）和使用减少数据集的提出的ML模型（方法2）：（1）验证爆炸建模方法（耦合方法）

机器学习方法

本研究使用了多种传统方法来学习ML模型，包括决策树（DT）、判别分析（DA）、朴素贝叶斯（NB）、支持向量机（SVM）、k-最近邻（KNN）、人工神经网络（ANN）和集成方法。这种多样化的选择旨在捕捉和分析输入和输出参数之间的多方面关系。这些机器学习方法及其超参数规格在

ML模型的组合方法

本节介绍了一种创新的ML模型开发方法，称为组合方法（CM模型）。该方法旨在减少第3节中概述的传统方法（称为通用方法模型，GM模型）所需的数据集数量，同时提高整体预测性能。图6展示了本研究中开发的个性化学习方法的概念图。传统的ML执行方法预测

结论

本文介绍了一种创新的ML组合技术，该技术利用减少的训练数据来评估RC柱的爆炸损伤程度。这种方法利用简单的结构信息（ALR, ρ_l, ρ_t, L/D 和 f′_{c 参数）来实现高水平的预测准确性。使用这种减少的数据集通过组合方法训练的ML模型的性能与在更大数据集上训练的传统ML模型进行了基准测试}

CRediT作者贡献声明

申智旭：撰写——审稿与编辑，撰写——原始草稿，验证，监督，方法论，资金获取，概念化。金艺媛：撰写——原始草稿，可视化，软件，调查，数据整理。李基鹤：撰写——审稿与编辑，验证，调查。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本项工作得到了韩国政府（MSIT）资助的韩国国家研究基金会（NRF）（RS-2024–00348713）的资助