Page 72 - 《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

表 6 模型中的关键超参数
Table 6 Key hyperparameters in the models
模型 超参数 搜索范围 最优值

max_depth （3, 21） 20
min_samples_leaf （1, 10） 1
DT
min_samples_split （2, 10） 3
Splitter {best, random} best
n_estimators （100, 500） 500
max_depth （3, 16） 16
RF
min_samples_leaf （1, 10） 1
min_samples_split （2, 10） 2
max_depth （3, 16） 8
XGBoost learning_rate （0.05, 0.3） 0.05
n_estimators （100, 1 200） 700
num_leaves （6, 50） 44
min_data_in_leaf （1, 10） 3
LightGBM
learning_rate （0.05, 0.3） 0.05
n_estimators （100, 1 000） 700
hidden_layers （1, 5） 3
MLP nodes （12, 24） 16
solver {adam, sgd} adam

3.3 结果和讨论
3.3.1 模型的对比和选择
本研究训练的机器学习模型用于预测爆炸荷载下 RC 柱基于残余承载力的损伤指数 D。将预测值
和真实值进行比较，以评估模型的性能。图 11 展示了训练数据集和测试数据集的预测值和真实值的比
较，大部分数据点位于 y=x 线附近，表明预测值与真实值良好吻合。此外，表 7 全面地总结了用于评估机
器学习模型的性能指标，分别比较了 R 、e MAE 、e RMS E 和 e MedA E 等 4 个性能评价指标，高的 R 和低的 e MAE 、
2
2
e RMSE 、e MedA E 表明模型的性能良好。由表 7 可知，各模型在训练集上的评估指标均优于测试集。此外，所
有模型中最低的 R 为 2 MLP 模型的 0.958，反映出这些机器学习模型均能较准确地预测爆炸荷载下 RC 柱
的损伤指数 D。在 6 个机器学习模型中有两个模型性能较为突出，基于 XGBoost 训练集的 R =0.999，
2

1.0 1.0
2
2
Training set, R =0.998 Training set, R =0.996
2
Testing set, R =0.970 +20% error bound Testing set, R =0.981 +20% error bound
2
0.8 +40% error bound 0.8 +40% error bound
Prediction value 0.6 −20% error bound Prediction value 0.6 −20% error bound
−40% error bound
−40% error bound
0.4
0.4
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
Actual value Actual value
(a) DT (b) RF

111504-13
−20% error bound −20% error bound
−40% error bound −40% error bound

−20% error bound −20% error bound

−40% error bound −40% error bound