Page 215 - 《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

(2) 损伤分类评估。利用最大位移预测中表现最佳的机器学习模型对损伤评估数据集中的 120 组样
本 进 行 最 大 位 移 预 测 ， 将 预 测 结 果 转 换 为 支 座 转 角 值 ， 利 用 损 伤 准 则 对 其 进 行 损 伤 程 度 分 类 ， 采 用
XGBoost 模型对损伤程度进行训练分类，并将分类结果与实际损伤程度进行对比分析。

2 PC 板爆炸数据集的建立

本文中构建的数据集整合了爆炸作用下 PC

板响应的文献数据与数值模拟结果，共计 637 组 表 1 数值来源及类型
数据样本，如表 1 所示。根据研究目标，该数据 Table 1 Data source and type
集被划分为 2 个子集：位移预测数据集（517 组数 来源 数据类型 数量 增扩数据
据 ） 用 于 训 练 位 移 预 测 模 型 ， 损 伤 评 估 数 据 集 Zhao等 [2] 模拟 14 137
（120 组数据）用于损伤评估模型的分类预测。 杜永峰等 [13] 模拟 6 46
鉴于损伤评估数据集中的损伤指标直接依据样 周兆鹏等 [14] 试验 3 36
本的最大位移值计算得出，位移预测数据集需要 Tian等 [15] 试验 3 69
包含更充足的样本量，确保位移预测模型具备更 董刚 [16] 模拟 6 46
强的泛化能力，以准确预测不同工况下的结构响 李建武等 [17] 模拟 14 125
应。而损伤评估数据集则聚焦于建立最大位移 Choi等 [18] 试验+模拟 1+10 80
与损伤状态之间的映射关系，以便精确评估损伤 Wang等 [19] 试验+模拟 5 78
程度。因此，合理的数据划分和充足的数据量是
保障后续机器学习模型性能的重要前提。

2.1 特征变量选取及数据收集
基于爆炸试验的常规布置 [16] 以及装配式抗爆性能相关研究内容 [20] ，选择 2 类不同的输入特征变量
以充分量化爆炸的过程：第 1 类为 PC 板结构参数，包含长度 l、宽度 b、厚度 D、混凝土抗压强度 f 、钢筋
c
屈服强度 f 、配筋率 ρ；第 2 类为爆炸荷载参数，包含爆炸距离 R 和炸药当量 W。最后，将爆炸后 PC 板
0
v
的最大位移 d 选作输出特征。
目前针对 PC 板爆炸响应的研究较少，通过文献收集的数据量不足，因此，本文中通过数值模拟进行
了数据量补充。利用 ANSYS/LS-DYNA 复现文献中的 PC 板爆炸过程，将模拟结果与原文进行验证对
比，相对误差均小于 10%。基于建立的数值模型，修改选用的特征参数进行数据增扩，数值模拟中，网格
尺寸、材料本构以及关键字等可参考 Zhao 等 [2] 的具体说明。最终收集到 637 个数据点，所有的数据点
都源于爆炸试验和数值模拟，见表 1。
(1) 位移预测数据集。位移预测数据集统计了 8 个输入变量和 1 个输出变量，数据分布较广且离散
性显著，输出变量最大位移的标准差达到 18.129 mm，表明爆炸响应具有高度离散性。这些特征反映了
工况的多样性，为模型训练提供了全面数据基础，如表 2 所示。

表 2 位移预测数据集参数范围
Table 2 Parameter range of displacement prediction database
数据 l/m b/m D/m f c /MPa f v /MPa ρ/% R 0 /m W/kg d/mm
平均值 2.320 1.577 0.158 40.025 417.179 0.474 1.019 3.064 21.126
范围 1.3～4 1～3.1 0.07～0.3 20～80 235～600 0.15～1.77 0.01～2.1 0.05～10 0.44～137

(2) 损伤评估数据集。基于文献的损伤评估结果，依照《建筑结构抗爆分析理论》 [21] 中提出的爆炸破
坏等级，根据损伤程度将 120 组数据样本划分为 4 个损伤等级：轻度损伤（23 例）、中度损伤（9 例）、严重
损伤（34 例）和倒塌破坏（54 例），如表 3 所示。

051443-4