Page 221 - 《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

R c = T P /(T P + F N ) (11)

F β = (1+β)P/(P+R c ) (12)
式中：A 为准确率，表示分类模型判别正确的样本数与样本总数 n 之间的比值；P 为精确率，表示分类正
c
c
确的正样本个数占分类器判定为正样本的样本数量的比例；R 为召回率，是指分类正确的正样本数量占
c
实际的正样本数量的比例；F 为精确率与召回率的调和平均值，β 为常数，本文中取 1，F 越接近 1，代表
β
β
判 别 效 果 越 好 ， 越 接 近 零 ， 代 表 判 别 效 果 越 差 ；
表 6 Kappa 系数的含义
T 为分类正确的正样本数量；T 表示分类正确
N
P
Table 6 Meaning of Kappa coefficient
的负样本数量；F 为漏报的正样本数量。
N
Kappa系数 一致性强度
为了评估损伤分类模型预测结果与实际结
果的一致性，采用 Kappa 系数（ κ ） [31] 作为模型的 ＜0.20 较差
一致性指标， Kappa 系数（见表 6）的求解需要利 0.21～0.40 一般
用混淆矩阵的数值结果： 0.41～0.60 中等
0.61～0.80 较强
κ = (A cc − P e )/(1− P e ) (13)
0.81～1.00 强
式中：P 为判别模型的偶然一致性比率。
e
4.3 3 种损伤准则下的损伤评估模型

将 3 种支座转角限值（准则Ⅰ [27] 、准则Ⅱ [28] 100
和准则Ⅲ [29] ）引入 XGBoost 模型中，其 PC 板破 Criterion Ⅰ 89
Criterion Ⅱ
坏情况的分类结果如图 8 所示。在倒塌破坏的 80 Criterion Ⅲ
Actual
预测中，准则Ⅰ下的模型表现出较高的预测值， 60 55 56
该模型在识别倒塌破坏时具有较高的灵敏度，但 54
会导致其他类型损伤情况的预测结果偏大。在 40 34 34 41
轻度、中度和严重损伤的预测上，准则Ⅲ下的模 22 23
20 14
型表现优于准则Ⅰ，但预测严重损伤和倒塌破坏 13 13 4 8 10 9
的准确性偏低。准则Ⅱ下的模型在 4 种损伤分 0 Minor Medium Severe Collapse
类的预测中更接近实际值且较均衡，说明准则Ⅱ damage damage damage faliure
Damage condition
下的模型更适用于 PC 板的损伤分类预测。
根据表 7 和图 9 可知，基于 3 种不同评估准 图 8 3 种损伤评估准则的模型预测结果
则对 PC 板损伤分类的预测结果存在显著差异。 Fig. 8 Model prediction results of three damage criteria
准则Ⅰ下的模型表现出较单一的特点，在倒塌破 表 7 基于 3 种损伤准则模型的分类指标
坏的预测中表现出色，但是对于其他损伤类型的 Table 7 Classification indicators
预测效果较差，表明其在处理非倒塌破坏的损伤 based on three damage models
类型时存在较大的局限性，无法充分应对不同损 准则 A cc /% P/% R c /% F 1 κ
伤等级的多样性。另外，图 9(a) 给出了准则Ⅰ下 Ⅰ 59.17 60.70 48.20 0.54 0.331
κ =0.331，表明该模型一致性较差。图
模型的 9(b) Ⅱ 95.00 92.92 90.10 0.92 0.925
表明：准则Ⅱ下的模型整体表现最优，准确率达 Ⅲ 74.17 76.51 71.65 0.74 0.625
到 95%；在对严重损伤和倒塌破坏的预测中，准
确率分别为 91.81% 和 92.98%，显示出其在损伤类型上的高效识别能力，其 κ =0.925，表明具有非常好的
一致性；同时，准则Ⅱ下的模型对轻度和中度损伤的预测也表现良好，召回率分别为 95.83% 和 77.78%，
表明该准则对各类损伤的预测都具有较高的准确性和可靠性。相比之下，从图 9(c) 看出：准则Ⅲ下的模
型表现略差，整体准确率为 74.17%；尽管对倒塌破坏的预测具有 95.12% 的准确率，但对其他类型破坏的
预测准确率较低，对非倒塌破坏的识别能力较差。

051443-10