Page 60 - 《爆炸与冲击》2026年第11期

第 46 卷 第 11 期 爆 炸 与 冲 击 Vol. 46, No. 11
2026 年 11 月 EXPLOSION AND SHOCK WAVES Nov., 2026

DOI：10.11883/bzycj-2025-0409

数据驱动的箍筋加密钢筋混凝土柱爆炸

损伤预测与评估模型 *

王帅帅 ，赵春风 1,2,3 ，邬成勇 ，李晓杰 3
1
1
（1. 合肥工业大学土木与水利工程学院，安徽 合肥 230009；
2. 合肥工业大学安徽省土木工程结构与材料重点实验室，安徽 合肥 230009；
3. 大连理工大学工业装备结构分析优化与 CAE 软件全国重点实验室，辽宁 大连 116024）

摘要： 为了快速且准确地评估爆炸作用下钢筋混凝土（reinforced concrete, RC）柱的损伤状态，提出了一种基于机器
学习（machine learning, ML）的数据驱动模型，用于预测爆炸荷载作用下 RC 柱的损伤指标。为训练该模型，构建了一个
包含 3 133 个样本的综合数据库，融合了 259 个文献数据样本和 2 874 个数值模拟补充数据样本。该数据集不仅包含了 RC
箍筋均匀分布柱，还包含了符合抗震设计要求的 RC 箍筋加密柱。选用 11 个关键参数作为输入特征，并将 RC 柱的损伤
指数作为输出特征。利用 6 个 ML 模型对爆炸荷载作用下 RC 柱的损伤指标进行预测，并采用 4 项回归评价指标对 6 种
模型的预测精度进行对比分析。结果表明，表格先验数据拟合网络（tabular prior-data fitted network, TabPFN）展现出最优
的预测精度和泛化能力，其在测试集上的决定系数高达 0.989，平均绝对误差和均方根误差仅分别为 0.018 和 0.030。进
一步利用 SHAP (Shapley additive explanations) 方法对 TabPFN 模型进行可解释性分析。分析表明，炸药质量、爆炸距离
及柱截面深度是主导 RC 柱损伤程度的关键特征。值得注意的是，体积配箍率在提升 RC 柱抗爆性能方面的贡献度显
著优于纵筋配筋率。最后，通过与独立有限元模拟工况的对比分析，表明 TabPFN 模型能够较好地拟合数值计算结果，
作为代理模型在未见工况下具备良好的预测稳定性。在计算效能方面，该模型的单次损伤预测耗时仅约 0.5 s，较传统
数值模拟方法的计算效率提升了近 4 个数量级。
关键词： 钢筋混凝土柱；爆炸荷载；机器学习；损伤评估
中图分类号： O389 国标学科代码： 13035 文献标志码： A

Data-driven prediction and evaluation model for explosion damage
in reinforced concrete columns with densified stirrups

1
1
WANG Shuaishuai , ZHAO Chunfeng 1,2,3 , WU Chengyong , LI Xiaojie 3
（1. College of Civil Engineering, Hefei University of Technology, Hefei 230009, Anhui, China;
2. Anhui Provincial Key Laboratory of Civil Engineering Structures and Materials,
Hefei University of Technology, Hefei 230009, Anhui, China;
3. State Key Laboratory of Structural Analysis, Optimization and CAE Software for Industrial Equipment,
Dalian University of Technology, Dalian 116024, Liaoning, China）

Abstract: Reinforced concrete (RC) columns are critical load-bearing members in engineering structures. Under explosive
loading, they may sustain severe damage and potentially trigger the collapse of the entire structure. Therefore, rapid and
accurate assessment of the damage state of RC columns subjected to explosive loading is essential for ensuring structural safety
and implementing effective protective measures. Accordingly, a data-driven machine learning (ML) model was proposed to

* 收稿日期： 2025-12-18；修回日期： 2026-07-18
基金项目： 工业装备结构分析优化与 CAE 软件全国重点实验室开放基金（GZ24120）；
新疆维吾尔自治区自然科学重点基金（2022D01D33）
第一作者： 王帅帅（2000－ ），男，硕士研究生，2024171090@mail.hfut.edu.cn
通信作者： 赵春风（1983－ ），男，博士，教授，zhaowindy@hfut.edu.cn

111504-1