Page 223 - 《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

响；r 和 1 r 为 2 0～1 之间的随机数，用于增加算法的随机性。本文中 PSO 算法参数设置为：惯性权重
ω=0.9，加速常数 c = c =2，随机数 r =0.8，r =0.5，其余均为默认参数。
1 2 1 2

Diagram
Local optimum
Global optimum
Inertial
direction Collective
optimal direction

Individual Majority class sample
optimum direction Minority class sample
Balancing of minority class sample
(a) SMOTE algorithm (b) PSO algorithm

图 10 SMOTE 和粒子群优化算法示意图
Fig. 10 Schematic diagrams of SMOTE and PSO algorithm

4.4.1 损伤评估简化模型—基于损伤评估数据集
提出的损伤分类简化模型流程如图 11 所 开始
示，使用本文中调试的 XGBoost 算法模型的分类
方法识别 PC 板爆炸后的损伤情况。首先，将损
损伤评估数据集 混合数据集
伤评估数据集中的 120 个样本数据输入 SMOTE
算法中，以解决数据集中的类别不平衡问题。其
中，损伤评估数据集共包含 120 组样本，其损伤 样 轻度损伤
本 中度损伤 多数类样本
等级分布如下：轻度损伤 23 组（19.17%），中度损 分 严重损伤 少数类样本
伤 9 组（7.50%），严重损伤 34 组（28.30%），倒塌 组 倒塌破坏
破坏 54 组（45.00%）。从数据分布特征来看，倒
塌破坏样本构成了多数类样本，而其他 3 种损伤 SMOTE算法
程度的样本较少，均属于少数类样本。经过采样 平衡后的数据集
(70%训练集，30%测试集)
处理后，共计 216 组数据样本，将其按照 7∶3 的
PSO算法
比例划分为训练集和测试集，在训练过程中，引
入 PSO 算法实现超参数的自动化寻优。最后， 模型训练
当参数优化过程完成后，对测试集中的 65 个样
损伤分类评估
本进行损伤程度分类。
基于可视化分析需求，采用 SMOTE 算法对 图 11 损伤评估简化模型流程图
损伤评估数据集中的轻度、中度和严重损伤样 Fig. 11 Flow chart of damage assessment simplified model
本进行了过采样，共生成 96 个合成样本，有效提
表 8 基于损伤评估数据集的简化模型分类指标
升了数据集的多样性和代表性，使样本分布更加
Table 8 Classification index of simplified model
均衡完整。在测试集上，XGBoost 算法的性能表
based on damage assessment database
现如表 8 所示，具体分类效果如图 12 所示。通
A cc /% P/% R c /% F 1 κ
过对损伤评估数据集的简化模型分类进行整体
90.91 91.23 90.84 0.91 0.878
评价，4 种方法的 κ 分别为 0.601、0.757、0.818 和
0.878。根据 Kappa 系数的评价标准， XGBoost 模型分类性能最佳，具有非常好的一致性。
4.4.2 损伤评估简化模型—基于混合数据集
为了提升简化模型的效果，将位移预测数据集与损伤评估数据集结合，形成混合数据集。混合数据

051443-12