Page 227 - 《爆炸与冲击》2026年第5期
P. 227

第 46 卷                赵春风,等: 基于XGBoost的PC板爆炸损伤评估模型                              第 5 期

               验预测方法预测结果往往高于实际损伤程度。这种系统性偏差可能导致对结构安全性的过度估计,从

               而影响后续的修复决策和资源分配。2                 种方法对板件爆炸的参数条件有着比较严格的限制,不适用于多
               数情况,存在较大的局限性。图              15(b) 中虚线框给出了       1、3、6  和  7  号  4  组样本在不同爆炸状态下的损伤
               云图,根据准则Ⅱ损伤评估划分,它们由最大位移换算出的转角支座分别对应                                    4  种不同程度的损伤,而
               经验预测将其损伤程度全部预测为倒塌失效,与经验方法相比预测效果较差。而本文中提出的基于
               XGBoost 的在支座转角准则下的损伤评估模型,在                   7  组测试样本中仅出现         1  例误判(将轻度损伤误判为
               中度损伤),达到了        85.71%  的准确率,与现有经验预测方法相比,展现出不受参数限制的显著优势,具有
               更好的泛化能力和更高的准确性,能够实现对爆炸后预制钢筋混凝土板损伤状态的快速准确评估。

                5    结 论


                   提出了一种基于        XGBoost 的  PC  板爆炸损伤评估模型,通过多维度数据集构建不同机器学习模型预
               测  PC  板爆后最大位移,利用最大位移与               3  种损伤准则下的支座转角限值相结合,实现了爆炸作用下
               PC  板动力响应和损伤分类的快速精确预测,同时便于应用其他结构构件开展抗爆预测评估研究,得到
               以下主要结论。
                   (1) 在  PC 板最大位移预测方面,基于位移预测数据集构建了                      GPR、RF  与  XGBoost 等  3  种机器学习
               模型。经参数优化,XGBoost 模型表现出最优性能,测试集决定系数为                            0.975,均方根误差为       2.874 mm,
               平均绝对误差为       2.185 mm,显著优于      GPR  与  RF  模型,综合性能目标函数(f          =0.939)验证了其具有优越
                                                                                 OBJ
               的泛化能力与鲁棒性。
                   (2) 在  PC  板损伤分类识别方面,选取最大位移作为损伤评估指标,对损伤评估数据集的样本进行最
               大位移预测,将预测结果转换为支座转角,并结合                      3  种支座转角限值准则(准则Ⅰ、准则Ⅱ和准则Ⅲ)构
               建了基于    XGBoost 的损伤评估模型。结果显示:基于准则Ⅱ的                    XGBoost 损伤评估模型分类性能最优,准
               确率达   95%,Kappa 系数高达      0.925,表明分类结果与实际损伤状态高度一致,可以精准识别轻度至倒塌
               破坏  4  种程度的损伤。
                   (3) 针对少数类样本识别难题,采用              SMOTE  过采样算法对数据进行平衡处理,结合                   PSO  优化超参
               数。经数据平衡,基于损伤评估数据集的简化模型准确率达                            90.91%(   κ  =0.878),基于混合数据集的简化
               模型准确率提升至         91.48%(  κ  =0.889)。2  种简化模型在  XGBoost 算法上均表现出优秀的分类性能。分析
               表明,扩大训练样本规模能有效提升机器学习分类模型的学习能力和整体性能。
                   (4) 相较于传统的经验预测方法, 基于               XGBoost 的损伤评估模型在          7  组验证样本中的准确率达到
               85.71%,误判率降低      60%,展现出更强的泛化能力。该模型能够在不同爆炸条件下,实现对                              PC  板爆后损
               伤程度的快速、准确评估。



               参考文献:
               [1]   YE X, ZHAO C F, HE K C, et al. Blast behaviors of precast concrete sandwich EPS panels: FEM and theoretical analysis [J].
                    Engineering Structures, 2021, 226: 111345. DOI: 10.1016/j.engstruct.2020.111345.
               [2]   ZHAO C F, YE X, HE K C, et al. Numerical study and theoretical analysis on blast resistance of fabricated concrete slab [J].
                    Journal of Building Engineering, 2020, 32: 101760. DOI: 10.1016/j.jobe.2020.101760.
               [3]   李圣童, 汪维, 梁仕发, 等. 长持时爆炸冲击波荷载作用下梁板组合结构的动力响应 [J]. 爆炸与冲击, 2022, 42(7): 075103.
                    DOI: 10.11883/bzycj-2021-0495.
                    LI S T, WANG W, LIANG S F, et al. Dynamic response of beam-slab composite structures under long-lasting explosion
                    shock wave load [J]. Explosion and Shock Waves, 2022, 42(7): 075103. DOI: 10.11883/bzycj-2021-0495.
               [4]   NORRIS C H. Structural design for dynamic loads [M]. New York: McGraw-Hill, 1959.
               [5]   苏琼, 程月华, 吴昊. 爆炸荷载作用下       UHPC  板的弯曲损伤评估 [J]. 爆炸与冲击, 2023, 43(12): 125103. DOI: 10.11883/
                    bzycj-2023-0160.


                                                         051443-16
   222   223   224   225   226   227   228   229   230   231   232