基于优化人工神经网络与元启发式算法的混凝土结构构件热退化预测

《Buildings》:Prediction of Thermal Degradation in Concrete Structural Elements Using Optimized Artificial Neural Networks and Metaheuristic Algorithms Hatice Elif Beytekin, Yahya Kaya, Ali Mardani, Hasan Tahsin ?ztürk and Filiz ?enkal Sezer

【字体: 大 中 小 】 时间:2026年04月03日 来源:Buildings 3.1

编辑推荐:

  准确预测混凝土的温度诱导退化对于提升建筑防火安全性及支持可靠的灾后工程决策至关重要。然而,现有研究多局限于传统机器学习应用或有限的优化策略,缺乏结合系统性输入筛选、鲁棒验证、大规模元启发式优化与可解释分析的集成框架。本研究旨在开发一种先进预测框架,采用优化人工

  
准确预测混凝土的温度诱导退化对于提升建筑防火安全性及支持可靠的灾后工程决策至关重要。然而,现有研究多局限于传统机器学习应用或有限的优化策略,缺乏结合系统性输入筛选、鲁棒验证、大规模元启发式优化与可解释分析的集成框架。本研究旨在开发一种先进预测框架,采用优化人工神经网络(opANN)估算高温作用下混凝土的质量损失与抗压强度。研究人员首先对输入数据集进行多重共线性诊断,剔除冗余变量以提升统计可靠性;将所有含纤维配合比统一视为聚合物纤维体系,并将纤维相关参数标准化为聚合物纤维描述符。训练阶段采用五折交叉验证以防止过拟合,同时保留23%的数据作为严格独立的测试集。研究在统一计算预算(5000次函数评估)下评估了25种元启发式算法以执行神经架构搜索(NAS)。结果表明,海洋捕食者算法(MPA)、共生生物搜索(SOS)与开普勒优化算法(KOA)在优化混合Levenberg-Marquardt训练网络时表现出优越的收敛性能。基于SHapley加性解释(SHAP)的敏感性分析进一步揭示,基体相关特性——尤其是单位体积重量与吸水率——是驱动热退化的主导因素。该框架不仅为预测建模提供了稳健的基准平台,也为灾后结构评估与耐热混凝土设计提供了实用且可解释的辅助工具。
研究背景与意义
在建筑领域,混凝土因其经济性、力学强度与施工适应性而被广泛用于梁、柱、板等承重构件。然而,火灾或极端环境温度会引发混凝土基体的物理化学变化,导致质量损失、微观结构劣化及抗压强度显著下降。传统实验与半经验模型多依赖线性假设,难以充分捕捉纤维类型、掺量、化学外加剂与力学性能之间的复杂非线性交互作用。尽管支持向量机(SVM)、随机森林(RF)、极限梯度提升(XGBoost)等机器学习方法已被引入,但多数依赖人工调参,在不同数据集上的稳定性与泛化能力有限。为此,研究人员提出一种融合统计预处理、机器学习与元启发式优化的综合框架,以提升高温下混凝土性能预测的精度与可解释性,服务于结构安全评估与材料设计。
关键技术方法
研究基于已发表的纤维增强轻骨料混凝土高温行为实验数据,样本涵盖不同纤维类型、长度及掺量,经28天水养后分别在300℃、600℃与900℃下受火,测定质量损失、抗压强度与吸水率等指标。数据经方差膨胀因子(VIF)共线性分析与皮尔逊相关矩阵筛选后,采用最小-最大归一化至0.1–0.9区间以避免激活函数饱和。模型开发采用五折交叉验证与独立测试集划分,对比经典回归分析(CRA)、多元自适应回归样条(MARS)、SVM、决策树(DT)、RF、模型树(M5Tree)、XGBoost及优化人工神经网络(opANN)。其中opANN以Levenberg-Marquardt算法训练网络权重,由25种元启发式算法在5000次函数评估预算内执行神经架构搜索,确定隐藏层数与神经元数。模型性能采用均方根误差(RMSE)、皮尔逊相关系数(r)、纳什-萨特克利夫效率系数(NSE)与性能指数(PI)评价,并通过弗里德曼检验与威尔科克森符号秩检验进行统计验证。可解释性分析采用SHAP方法量化特征贡献。
研究结果
3.1 建模结果评估
3.1.1 opANN超参数优化评估
在25种元启发式算法中,开普勒优化算法(KOA)、共生生物搜索(SOS)与海洋捕食者算法(MPA)表现最优。弗里德曼检验显示,KOA在质量损失模型中排名第一,MPA在抗压强度模型中居首,SOS则在两类模型中均保持稳定前位。箱线图与收敛曲线表明,KOA在质量损失模型中兼具最低误差与最小波动,MPA在抗压强度模型中收敛性能最佳,SOS整体鲁棒性最强。最终选定的opANN网络在测试集上,质量损失模型RMSE为0.97、r=0.988、NSE=0.973、PI=0.044;抗压强度模型RMSE为1.74、r=0.977、NSE=0.948、PI=0.062。
3.1.2 opANN与竞争模型性能比较
与传统方法及机器学习模型相比,opANN在所有指标上均领先。质量损失预测中,opANN较最优竞争者(二次回归CRA-QF)RMSE降低约30%;抗压强度预测中,较最优竞争者(决策树DT)RMSE降低约24%。泰勒图与相关散点图进一步证实opANN在相关性、标准差匹配与误差控制方面的综合优势。统计检验表明,虽然opANN绝对性能最优,但与XGBoost、DT等模型的差异在5%显著性水平下未达统计学意义,提示其在高精度应用中可与部分树模型共同构成优选方案。
3.2 SHAP可解释性分析
SHAP分析显示,单位体积重量是质量损失与抗压强度模型中影响最大的特征,其SHAP值分布范围最宽;其次为吸水率与泊松比。纤维长度、掺量与温度等参数的SHAP值集中于零附近,表明在本数据集范围内影响相对有限。这一结果与混凝土热退化的物理机制一致,即基体基本物理性质对高温响应起主导作用。
3.3 模型局限性
opANN模型的有效预测范围受训练数据集边界限制,超出已验证的温度、配合比及材料参数范围可能导致不可靠的外推结果。研究人员明确列出了质量损失与抗压强度模型的输入参数上下限,强调其在初步评估阶段的决策支持定位,重要工程决策仍需结合实验验证与热力耦合数值模拟。
3.4 实际应用与软件集成框架
研究提出将opANN封装为轻量化预测引擎,通过应用程序接口(API)嵌入建筑信息模型(BIM)与结构设计软件,实现设计阶段实时防火模拟;亦可开发云端决策支持系统(DSS),供现场工程师快速评估灾后残余强度,辅助修复或拆除决策。此外,该框架可反向优化配合比设计,并作为数字孪生核心模块用于基础设施韧性管理。
3.5 不足与未来方向
当前局限主要在于数据集规模与多样性有限,未来可通过多机构数据融合纳入地聚物混凝土等新体系;特征层面可引入孔结构、微观形貌等细观参数;算法层面可探索深层神经架构搜索(NAS)与高性能计算;模型功能可拓展至火灾全过程实时性能预测。
结论翻译
本研究提出了一种融合优化人工神经网络(opANN)与25种元启发式算法的方法,用于预测高温作用下混凝土结构构件的热退化。该框架将神经架构搜索(NAS)与Levenberg-Marquardt训练算法相结合,兼顾了精度与计算效率。五折交叉验证有效抑制了小样本下的过拟合并提升了泛化能力;统一5000次函数评估的计算预算公平比较了各优化器,确定MPA、SOS与KOA为最稳定高效的算法;SHAP分析明确了单位体积重量与吸水率等基体性质的主导作用,纤维参数影响较小;统计检验验证了opANN虽具最优绝对精度,但其性能与XGBoost、决策树等模型无显著差异;明确的模型适用范围界定降低了外推风险,并为结构决策支持系统与数字孪生集成奠定了基础。该研究既推动了算法优化的发展,也为基于性能的火灾后结构评估与耐热混凝土设计提供了实用工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号