Page 214 - 《爆炸与冲击》2026年第5期

第 46 卷 赵春风，等： 基于XGBoost的PC板爆炸损伤评估模型 第 5 期

目前，在建筑结构的动力响应和损伤预测方面，已有大量学者利用机器学习方法开展理论和应用研
究。利用人工神经网络与决策树对钢筋混凝土柱的破坏模式进行图像分类，准确性高，可用于地震评
[9]
估、改造和修复等领域 。Sandeep 等 [10] 采用常用算法预测了混凝土梁、钢纤维增强混凝土（steel fiber
reinforced concrete，SFRC）梁、纤维增强塑料（fiber reinforced plastics，FRP）筋加固梁和高强度混凝土梁的
抗剪强度，发现机器学习可以准确预测复杂的结构工程问题。李般若等 [11] 提出了一种基于图神经网络
（graph neural network，GNN） 的模型，通过 CFD 软件生成仿真数据，利用网格重映射技术将物理信息转
化为图结构数据，将其用于预测爆炸压力场的时空分布，该 GNN 模型展现出小样本特征提取能力强、预
测速度快且效果好的特点，表明在快速预测爆炸荷载方面具有强大潜力。Zhao 等 [12] 搭建了反向传播
（back propagation，BP）人工神经网络、支持向量机、高斯回归过程（Gaussian process regression，GPR）和随
机森林（random forest，RF）4 种算法模型，对比等效单自由度体系计算方法，发现机器学习可以更加准确
地预测爆炸荷载作用下钢筋混凝土板的最大位移。
为快速评定建筑物的爆炸损伤程度，有必要建立一种测定和计算用时较少，且能得到高准确度结果
的爆炸损伤评估方法。为此，本文中提出基于 XGBoost 的 PC 板爆炸作用下的损伤评估模型。首先，建
立爆炸作用下的 PC 板数据集；然后，采用高斯过程回归方法，对爆炸作用下 PC 板的最大位移进行预测
和损伤模式判定；进一步，利用混淆矩阵和 5 种评价指标，对 3 种不同准则下基于 XGBoost 算法的损伤
评估模型的识别效果进行评价，通过 SMOTE 和 PSO 算法进行数据平衡，建立简化模型；最后，将 XGBoost
模型与现有的经验损伤预测公式以及经验损失预测图进行对比，以验证该模型的可靠性。

1 PC 板的爆后损伤评估流程
机器学习方法能够根据材料特性、结构参数和外部荷载特征，准确预测结构的力学响应行为 [12] 。提
出了一种基于 XGBoost 的 PC 板爆炸作用下损伤程度判别方法，实现了对爆炸作用后 PC 板的损伤评估，
其流程如图 1 所示。

PC板设计参数
支座转角
位移预测数据集 损伤评估数据集
损伤评估准则
（80%训练集；20%测试集） （80%训练集；20%测试集）

混淆矩阵
RMSE A cc
GPR 性能评估 R 2 XGBoost 分类评价 P
RF MAE 损伤评估模型 R c
XGBoost SI F 1
OBJ κ

PC板爆后损伤分类预测
最优模型

公式转换 结束
最大位移
图 1 基于 XGBoost 的 PC 板爆炸作用下损伤评估模型流程图
Fig. 1 Flow chart of damage assessment model under explosion on PC board based on XGBoost
(1) 最大位移预测。将数据集划分为 80% 的训练集和 20% 的测试集，搭建 GPR、RF 和极限梯度增

强（XGBoost）3 种机器学习模型，输入 8 个特征变量（长度 l、宽度 b、厚度 D、混凝土抗压强度 f 、钢筋屈
c
服强度 f 、配筋率 ρ、爆炸距离 R 和爆炸当量 Q），将所收集的 PC 板爆炸试验数据中含有最大位移的数
0
v
据用于模型训练；在预测过程中，根据损伤程度对样本分类，选取了 517 组样本数据进行 PC 板的最大位
移预测；在转换过程中，将最大位移预测结果转换为相应的支座转角值。

051443-3