Page 76 - 《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

精度的前提下，该模型将计算效率提升了近 4 个数量级，实现了爆炸荷载作用下 RC 柱数值模拟损伤的
快速代理计算，能够为 RC 柱抗爆优化设计的前期参数分析提供高效的数据支持。
3.5 研究局限性及展望

尽管本研究提出了基于 TabPFN 模型的 RC 柱爆炸损伤预测方法，但当前数据库仍存在一定局限
性。首先，在构建的 3 133 个样本中，数值模拟数据占据主导，真实试验数据占比较小，这种样本比例失
衡可能引入潜在偏差。由于机器学习模型主要学习 LS-DYNA 内置的物理法则与本构规律，难以完全涵
盖真实爆炸场景中的复杂因素。因此，尽管生成数据前已通过 Woodson & Baylot 试验验证了数值方法
的准确性，模型在处理真实极端爆炸场景时的泛化能力仍面临挑战。鉴于真实爆炸试验成本高昂且实
施受限，未来研究将致力于收集更多高质量的现场试验数据，并考虑引入迁移学习策略，即利用大规模
模拟数据进行预训练，再结合小样本真实数据进行微调，从而消除潜在偏差，提升预测模型在实际工程

应用中的泛化能力。此外，在特征输入方面仍存在一定局限性。在现行结构设计规范中，RC 柱的配筋
通常由截面配筋构造形式与配筋率进行统一表达。由于截面配筋构造形式作为单独变量直接输入模型
不易实现，采用体积配箍率替代导致现有分析无法直接区分箍筋总量和内部拉筋布置方式的独立影
响。未来研究将探索更合理的特征变量，以明确不同配筋构造的力学机制。

4 结 论

通过数值模拟与实验数据的对比验证，确立了数值模拟方法的可靠性，并考虑箍筋局部加密以贴近
工程实际。在此基础上，结合 259 组文献数据样本和 2 874 组数值模拟补充数据，构建了 RC 柱爆炸荷载
作用下损伤数据库，开发了 6 种机器学习模型以预测 RC 柱的爆炸损伤指数，并引入 SHAP 方法评估输
入特征的重要性。最后，通过模型预测值与有限元模拟结果的对比分析，验证了 TabPFN 模型作为代理
模型在未见工况下具备良好的预测稳定性。得到的主要结论如下。
(1) 通过整合文献数据样本与数值模拟扩充的数据样本，建立了包含 3 133 组样本的 RC 柱爆炸损伤
数据集。该数据集涵盖了箍筋局部加密等关键特征，为基于剩余承载力的损伤评估提供了可靠的数据
支撑。
(2) 在 DT、RF、XGBoost、LightGBM、MLP 和 TabPFN 等 6 种模型中，TabPFN 展现出最优的泛化能
力与预测精度，其在测试集上的决定系数高达 0.989，平均绝对误差及均方根误差仅分别为 0.018 和
0.030，性能指标显著优于其他模型，被确定为预测 RC 柱爆炸损伤指数的最佳模型。
(3) 基于 SHAP 的可解释性分析表明，炸药质量、爆炸距离、柱深及轴压比是主导 RC 柱抗爆性能的
关键特征，在损伤评估中需重点考量。特征重要性分析显示，体积配箍率对抗爆性能的贡献度显著高于
纵筋配筋率。通过减小柱端箍筋间距可以有效提升抗爆能力；相比之下，增加纵筋配筋率的抗爆收益有
限。因此，在进行抗爆设计时，纵向受力钢筋的配筋率并非重要考虑因素，通常仅需满足 RC 柱常规承载
力设计要求即可。
(4) 基于模型预测值与独立有限元模拟工况的对比分析，验证了 TabPFN 模型能够较好地拟合本文
涉及的数值计算结果，作为代理模型在多参数耦合工况下具有良好的预测稳定性。在计算效能方面，该
模型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显著提升了近 4 个数量级。建立的
模型实现了爆炸荷载作用下 RC 柱数值模拟损伤结果的高效代理计算，在本文所限定的参数范围内，可
为结构抗爆前期设计与参数敏感性分析提供快速的数据支撑。

参考文献：
[1] KIAKOJOURI F, DE BIAGI V, CHIAIA B, et al. Strengthening and retrofitting techniques to mitigate progressive collapse: a
critical review and future research agenda [J]. Engineering Structures, 2022, 262: 114274. DOI: 10.1016/j.engstruct.2022.
114274.

111504-17