Page 67 - 《爆炸与冲击》2026年第11期

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

Load Displacement Scaled damage

All DOFs constrained 2.0
Column head except z-translation 1.8
1.6
1.4
Longitudinal
reinforcement 1.2
Column body 1.0
Stirrup
0.8
0.6
0.4
0.2
Column foot All DOFs z 0
constrained y x
(a) Finite element model (b) Scaled damage measure (c) Scaled damage measure under
under blast loading displacement loading after blast

图 6 有限元模拟
Fig. 6 Finite element simulation

参数化数据库的构建涉及大量数值计算，手 12 000
动建模并逐一计算效率较低，因此采用 MATLAB 10 454.66 kN P r
与 LS-DYNA 联合仿真方法 [30] 。由于 RC 柱的柱 P n
高、柱宽、柱深、箍筋间距及截面配筋形式等参 8 000 7 412.57 kN
数在 LS-DYNA 关键字文件中不易直接修改，预 Axial force/kN
先 手 动 建 立 了 涵 盖 不 同 基 础 参 数 的 关 键 字 模 4 000
板。随后，通过编写 MATLAB 脚本自动修改模
板中的其他变量，批量生成新的关键字文件，并
驱动 LS-DYNA 和 LS-PREPOST 软件实现自动
0 5 10 15 20
化的批量计算和数据提取。基于上述联合仿真
Displacement/mm
流程，最终补充了 2 874 个数值模拟数据样本。
图 7 无损柱和爆炸受损柱的轴力-位移曲线
3 RC 柱爆炸损伤预测模型 Fig. 7 Axial force-displacement curves of undamaged
and blast-damaged columns

建立 6 种不同的机器学习模型来预测钢筋
Dataset
混凝土柱的损伤指数 D。机器学习模型的输入
由 9 个选定的 RC 柱参数和 2 个爆炸荷载参数 Inputs Output
组成，而结果输出是 D。建立的 RC 柱爆炸损伤 H w h f cu DT
预测模型的方法流程如图 8 所示，图中 R 为决 f y f s ρ l ρ v D=1− P r/P n RF
2
定系数，e MA E 为平均绝对误差，e RMS E 为均方根误 R 2 N r W S XGBoost
差 ， e M e d A E 为 中 位 绝 对 误 差 ， D T 为 决 策 树 LightGBM
e MAE Optimization of ML model
（decision tree），RF 为随机森林（random forest）， e RMSE MLP
XGBoost 为 极 限 梯 度 提 升 （ extreme gradient e MedAE Model evaluation TabPFN
boosting），LightGBM 为轻量级梯度提升机算法 Score analysis
Final model
（light gradient boosting machine），MLP 为多层感 Importance analysis
知机（multi-layer perceptron），TabPFN 为表格 SHAP Model explanation
先 验 数 据 拟 合 网 络 （ tabular prior-data fitted
图 8 方法流程
network）。在训练预测模型之前，需要对数据进 Fig. 8 Method flowchart

111504-8