Page 225 - 《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

True Precision True Precision

7 0 0 0 100.00% 8 0 0 0 100.00%

2 10 1 1 71.43% 1 9 0 0 90.00%

Predicted 1 0 7 1 77.78% Predicted 1 1 9 1 75.00%

0 0 2 8 80.00% 0 0 1 9 90.00%

Recall 70.00% 100.00% 70.00% 80.00% 80.00% Recall 80.00% 90.00% 90.00% 90.00% 87.50%

Minor Medium Severe Failure Accuracy Minor Medium Severe Failure Accuracy
(a) Simplified model-damage assessment dataset (b) Simplified model-mixed dataset
True Precision
9 0 0 0 100.00%
1.00 A cc Ideal optimal model
1.0
0.95 XGBoost classification model
1 9 0 0 90.00% 0.90
0.85 P Simplified model-mixed dataset
0.80
κ
Simplified model-damage
Predicted 0 3 10 1 90.91% 0.75 assessment dataset
0.70
0 1 0 9 90.00%

Recall 90.00% 90.00% 100.00% 90.00% 92.50% F 1 (d) Comprehensive comparison of three models
R c
Minor Medium Severe Failure Accuracy
(c) XGBoost classification model

图 14 3 种模型测试集混淆矩阵
Fig. 14 Test set confusion matrix of three models
对 PC 板进行爆炸损伤评估，需兼顾计算效率与工程合理性。系统对比了基于 XGBoost 的损伤评估
模型与简化模型的性能（表 10）。结果表明，简化模型虽计算效率提高了 38%，但基于 XGBoost 的损伤评
估模型在损伤判别准确性及机理解释性方面更具优势。该模型遵循动力响应分析到损伤评估的模式，
通过最大位移等关键参数映射损伤程度，不仅提升了分类精度，更为理解 PC 板在爆炸作用下的破坏机
制提供了新路径。

表 10 基于 XGBoost 的损伤评估模型和简化模型综合对比
Table 10 Comprehensive comparison between XGBoost model and simplified model
模型 准确率/% 平均计算耗时/min 物理逻辑 可解释性
基于XGBoost的损伤评估模型 95.0 2.1 位移预测+损伤评估 强（分步解释响应与损伤）
简化模型 91.5 1.3 直接损伤评估分类 较弱（黑箱特征明显）

4.5 与经验预测方法的对比

在建筑结构爆后损伤评估中，精确预测破坏程度对确保结构安全性和指导修复决策具有关键意义，
但传统经验预测方法的预测精度和适用性存在明显局限，所以，本文中选取了经验预测图和经验预测公
式 2 种方法进行对比分析，以此验证机器学习方法的有效性和可靠性。

051443-14