Page 62 - 《爆炸与冲击》2026年第11期
P. 62

第 46 卷         王帅帅，等： 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                               第 11 期

                   利用   LS-DYNA   等显式动力学软件进行数值模拟，不仅能提供详尽的计算数据，还能直观复现
               RC  柱在冲击荷载下的损伤演化历程和复杂失效形态。Wu                        等 [9]  利用数值模拟探讨了在近场爆炸荷载作
               用下  RC  柱的损伤演化，并基于参数回归分析，提出了以无量纲柱尺寸参数预测损伤指数的经验公式。
               Lin  等  [10]  利用  LS-DYNA  建立了有限元模型来探讨钢筋混凝土柱在爆炸荷载作用下的损伤和破坏时间，
               并建立了不同轴压比下钢筋混凝土柱的损伤指数公式。Shi 等                           [11]  建立了带钢节点的预制        RC  柱的有限
               元模型，研究      RC  柱在爆炸荷载作用下的动力响应及破坏演化，并分析了配筋率、截面尺寸及混凝土强
               度等参数对构件损伤程度的影响。数值模拟虽为有力工具，但其计算精度受限于材料本构选择、参数标
               定及网格划分等模型设置的不确定性。
                   机器学习（machine learning，ML）通过使用大量数据构建输入特征与输出之间的复杂映射关系，可以
               用于工程结构的防灾减灾评估              [12] 。朱玉富等  [13]  采用支持向量机和高斯过程回归算法对近场爆炸作用下
               RC  板的最大位移进行了预测，利用置换特征重要性和                      Sobol 全局敏感性分析方法，对模型特征进行了解
               释。郑文言等      [14]  提出了一种由体积判断网络和损伤判断网络组成的全新卷积神经网络模型，基于体积
               损失率评估了近距离爆炸荷载作用下                  RC  柱的损伤，发现提出的卷积神经网络模型有较高的准确率。

               Yang  等  [15]  基于  ML  和蒙特卡罗（Monte Carlo, MC）方法研究了      RC  柱在爆炸荷载作用下的损伤，使用具
               有  8  个输入特征的    8  个  ML  模型预测了柱的损伤指标，基于层次分析法（analytic hierarchy process, AHP），
               CatBoost 模型被确定为最优模型。Zhao           等 [16]  使用  ML  方法开发了一种     RC  板在爆炸荷载作用下的两阶
               段损伤预测方法，通过现有的经验方法验证了两阶段预测方法的准确性和可靠性。Peng                                      等  [17]  提出了一
               种基于图神经网络（graph neural network, GNN）的        RC  柱快速损伤预测模型，该模型有效克服了基于像素
               的  ML  方法在处理三维空间拓扑结构方面的固有局限性。在实际工程中，柱端箍筋局部加密不仅能有效
               防止剪切破坏，还能通过增强对核心混凝土的约束作用，改变柱在爆炸冲击下的动力响应与破坏模式。
               忽视抗震    RC  柱的箍筋局部加密，往往会低估其抗爆承载力，难以满足工程中对灾后精准评估的需求。
               为了突破现有工作的局限性，明确箍筋局部加密对提升构件抗爆性能的影响，克服传统理论推理和数值
               模拟的复杂性，亟需提出基于人工智能驱动的                    RC  柱爆炸损伤预测和评估方法。
                   本研究利用      6  个  ML  模型来预测爆炸荷载作用下           RC  柱的损伤指数。通过比较各             ML  模型的性能
               评价指标确定最优模型，并研究输入特征对                    RC  柱损伤的影响，为       RC  柱抗爆设计提供指导。首先，构建
               一个包含    3 133  个样本的综合数据库，该数据库融合               259  个文献数据样本和       2 874  个数值模拟补充数据样
               本。然后，对      5  个  ML  模型进行超参数的优化，利用           4  项性能评价指标，对经过超参数优化的                  5  种常规
               ML  模型以及表格先验数据拟合网络（tabular prior-data fitted network, TabPFN）模型进行性能评估。此外，
               对最佳预测模型进行          SHAP (Shapley additive explanations) 分析，研究特征参数对      RC  柱的损伤的影响规
               律。最后，通过与有限元模拟结果的对比分析，验证                       TabPFN  模型作为数值计算代理模型在未见工况下
               具备的拟合能力与预测稳定性。

                1    数值模拟方法及模型验证


                   机器学习和深度学习需要大量的数据，目前，已有文献的数据无法满足模型训练对数据集数量的要
               求，因此，通过非线性有限元动力分析软件                   LS-DYNA  进行数值模拟补充数据。在数值模拟补充数据之
               前，要确定正确的数值模拟方法。通过数值模拟与爆炸试验的对比，验证该数值模拟方法的准确性。
                1.1    材料模型与应变率效应
                   采用分离式建模方法建立            RC  柱有限元模型。采用          K&C [18] （*MAT_CONCRETE_DAMAGE_REL3）
               模型描述混凝土材料，该模型仅需输入密度和轴心抗压强度，即可自动转换并生成其余参数，并考虑了应
               变率效应和软化行为对材料失效的影响，能够较真实地反映爆炸冲击过程中混凝土材料的动力响应                                             [19] 。
               其中，混凝土的 应变率效应采用              Hao  等 [20]  提出的动力放大系数（dynamic increase factor, DIF, λ）来表示。
               混凝土的抗拉动力放大系数（tensile dynamic increase factor, TDIF, λ ）和抗压动力放大系数（compressive
                                                                           t
               dynamic increase factor, CDIF, λ ）分别为：
                                         c

                                                         111504-3
   57   58   59   60   61   62   63   64   65   66   67