Page 224 - 《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

集包含了 147 组轻度损伤样本、185 组中度损伤 True Precision

样本、177 组严重损伤样本和 128 组倒塌破坏样 17 0 0 0 100.00%
本，使用 SMOTE 过采样算法对数据进行平衡，
结果新增 103 组数据。与基于损伤评估数据集 0 11 1 0 91.67%
的简化模型方法相同，结合 PSO 算法对 XGBoost 模
型进行训练，按照 7∶3 的比例划分训练集和测 Predicted 0 2 17 1 85.00%
试集，将测试集用于分类预测。XGBoost 模型在
混合数据集测试集上的性能评估结果如表 9 所
0 0 2 15 88.24%
示，其准确率达到 91.48%，从精确度等评估指标
可以看出，混合数据集显著提升了机器学习模型 Recall 100.00% 84.62% 85.00% 93.75% 90.91%
对少数类损伤样本的识别能力，有效降低了误分
类率。此外，基于 2 种数据集的简化模型都显示 Minor Medium Severe Failure Accuracy
其具有优秀的分类性能。 图 12 简化模型损伤评估数据集测试集混淆矩阵
图 13 给出了基于混合数据集构建的 XGBoost Fig. 12 Test set confusion matrix for damage assessment
算法在简化模型中的分类性能对比，相较于基于 database of simplified model

损 伤 评 估 数 据 集 的 模 型 ， 在 混 合 数 据 集 中 ， 表 9 基于混合数据集的简化模型分类指标
XGBoost 学习算法的分类准确率均获得显著提 Table 9 Classification index for simplified models
based on hybrid databases
升。这表明，在机器学习的分类算法中，扩大训
练样本规模能够显著提升模型的学习能力，进而 A cc /% P/% R c /% F 1 κ
改善整体分类性能。 91.48 91.05 92.39 0.917 0.889

True Precision
60 0 0 0 100.00%

0 42 0 0 82.35%
Predicted 0 3 58 2 92.06%

0 0 5 44 89.80%

Recall 100.00% 93.33% 80.56% 95.65% 91.48%

Minor Medium Severe Failure Accuracy
图 13 简化模型混合数据集测试集混淆矩阵
Fig. 13 Test set confusion matrix for hybrid database of simplified model

4.4.3 3 种模型的对比分析
3 种损伤评估模型的分类性能如图 14 所示。测试结果表明，在 40 组样本中，基于损伤评估数据集
的简化模型准确率为 80%，采用混合数据集的简化模型准确率提升至 87.5%，而基于 XGBoost 的损伤评
估模型的准确率为 92.5%，表现最优。图 14(d) 进一步展示了 3 种模型的综合性能对比，可以看出，基于
XGBoost 的损伤评估模型在分类性能上全面优于另外 2 种简化模型。采用混合数据集的简化模型在分
类方面也表现出较高的准确率，与基于 XGBoost 的损伤评估模型的性能差距相对较小，通过对比性能五
边形图可以发现，2 种模型的评估结果均接近理想最优模型。

051443-13