Page 219 - 《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

型的残差分布集中且靠近零基线，波动最小；GPR 模型表现良好但不如 XGBoost 模型；RF 模型的残差分
散，且在测试集中出现 2 个显著异常点（分别达 44.094 和 34.123 mm）。综上所述，在 PC 板爆炸位移预测

中，XGBoost 模型性能最优，GPR 次之，RF 模型表现较差。

180 180
Actual displacement Actual displacement
160 Predicted displacement 250 160 Predicted displacement Training set Test set 250
Maximum displacement/mm 100 150 Error/mm Maximum displacement/mm 100 150 Error/mm
140
140
Error
Error
Training set Test set
200
200
120
120
80
80
60
60
100
100
40
40
20
20
50
50
−20
−40
−40 0 0 −20 0 Outlier 0
0 100 200 300 400 500 0 100 200 300 400 500
Sample data piont Sample data piont
(a) GPR (b) RF
180
Actual displacement
160 Predicted displacement 250
Maximum displacement/mm 100 150 Error/mm
140
Error
Training set Test set
200
120
80
60
100
40
20
50
−20
−40 0 Outlier 0
0 100 200 300 400 500
Sample data piont
(c) XGBoost
图 4 3 种模型的预测性能与残差对比
Fig. 4 Comparison of predictive performance and residuals among three models
3.4 基于 XGB 模型的 SHAP 方法
SHAP（Shapley additive explanations）值是一种用于解释机器学习模型输出的有效方法，适用于树模
型（如决策树、随机森林和梯度增强树等），为机器学习模型提供了一个全面的解释框架，有助于提升模

型的可理解性和信任度，推动了可解释技术的应
用发展。如图 5 所示，每个输入特征的全局重要 W 8.853
6.381
性被确定为该特征的平均绝对值，沿横轴表示。 R R 0
ρ 2.500
SHAP 值 与 XGB 模 型 的 输 出 单 位 相 同 （ 均 为
f v 0.391
mm），其重要性沿纵轴按照升序进行排列。根据
f c 3.746
特征重要性排序结果显示，TNT 炸药质量对模
D 6.583
型的影响最显著，其次为板厚度和爆炸距离。混 b 0.839
凝土抗压强度、配筋率、板长度、板宽度以及钢 L 1.867
筋屈服强度的重要性依次降低。分析可知，影响
0 1 2 3 4 5 6 7 8 9
结构响应的关键因素主要为爆炸荷载作用。从 SHAP mean value
结构构件特性来看，增加钢筋混凝土板的厚度和
图 5 基于 XGBoost 模型的 SHAP 均值特征重要性分析
配筋率能够有效提升其抗爆能力，与现有研究结论 [25] Fig. 5 Analyses of SHAP mean value and feature importance
相吻合。 based on XGBoost model

051443-8