近日，我院魏洋教授团队在国际期刊《Engineering Applications of Artificial Intelligence》上发表题为“Unified seismic capacity prediction for reinforced concrete columns via an interpretable two-stage machine learning approach: From failure mode classification to an explicit equation”的研究论文。该期刊为中科院一区Top期刊，最新影响因子为9.0。论文围绕钢筋混凝土（RC）墩柱抗震性能评估中传统经验公式适用范围有限、机器学习模型可解释性不足等问题，提出了融合失效模式分类、剪切承载力预测、SHAP可解释分析和显式公式推导的两阶段机器学习方法。硕士研究生陆君涛为论文第一作者，魏洋教授为通讯作者。
钢筋混凝土墩柱是工程结构的核心竖向承重构件，其抗震性能直接关系到结构在地震作用下的安全储备。强震作用下，RC墩柱可能发生弯曲破坏、剪切破坏或弯剪破坏等不同失效模式，并伴随承载力快速退化甚至整体失效。因此，准确识别RC墩柱失效模式并快速评估其剪切承载力，是既有结构地震安全评估、抗震加固设计和韧性提升中的关键问题。然而，传统经验公式往往依赖特定试验范围，且在工程应用中通常需要预先判断失效模式；高精度机器学习模型虽然预测能力突出，却常因“黑箱”特征限制了工程推广。
针对上述问题，研究团队收集并整理了390个拟静力循环荷载作用下RC墩柱试验样本，构建了覆盖几何尺寸、材料强度、配筋参数、轴压水平和抗震响应等信息的综合数据库，并在此基础上比较了ANN、SVR、随机森林、LightGBM、CatBoost、XGBoost、AdaBoost和GBR等多种机器学习算法。研究提出“先分类、再回归”的两阶段预测策略：第一阶段采用XGBoost模型识别RC柱失效模式，第二阶段将预测失效模式与原始力学参数共同输入CatBoost模型，实现剪切承载力预测。结果表明，该方法的失效模式识别准确率达到99.85%，剪切承载力预测测试集R²达到0.969，在保持高精度的同时避免了工程应用中预设失效模式的限制。
为突破机器学习模型可解释性不足的问题，研究团队进一步引入SHAP方法量化关键参数对模型输出的非线性影响，揭示了轴向荷载、纵筋面积、截面尺寸、混凝土强度和剪跨比等参数与RC柱抗震承载力之间的物理关联。基于模型解释结果，研究推导出具有明确物理意义的显式剪切承载力公式。该公式虽较完整机器学习模型略有精度损失，但显著优于传统经验公式，并可覆盖不同失效模式；在由14项文献来源、42个独立墩柱试件组成的外部验证数据集中，显式公式取得R²=0.913的预测表现，显示出较好的泛化能力。
RC墩柱数据库中输入变量与输出变量的分布情况
RC墩柱数据库中收集到的失效模式
RC墩柱各变量的皮尔逊相关系数
a) ANN
b) SVR
c) AdaBoost
d) LightGBM
e) GBR
f) XGBoost
g) CatBoost
h) RF
各机器学习代理模型的RC墩柱承载力预测性能
基于失效模式分类的两阶段RC墩柱抗震承载力预测策略
两阶段CatBoost模型的RC墩柱剪切承载力预测性能
a) CatBoost regression model b)XGBoost classification model
基于SHAP的模型RC墩柱抗剪承载力全局可解释性分析
采用独立外部数据集RC墩柱抗剪承载力验证显式方程
RC墩柱抗剪承载力预测系统图形界面
在此基础上，团队开发了可视化图形界面程序“Reinforced Concrete Columns Shear Strength Prediction System”，用户输入RC柱几何、材料、配筋和荷载参数后，即可快速获得RC墩柱抗剪失效模式与剪切承载力预测结果，无需具备编程背景。该研究将抗震失效机理、可解释人工智能和工程化计算工具相结合，为既有建筑与桥梁RC墩柱的地震安全评估、抗震加固决策和智能化设计提供了新的技术路径。
供稿：陆君涛；供图：陆君涛；审核：魏洋；编辑：许历隆
