《Buildings》:Prediction of the Ultimate Shear Load of Flat Slabs Using a Hybrid ANN-FEM Approach: Implementation and Accuracy Insights
Leonardo Carvalho Mesquita,
Marília Gon?alves Marques,
Markssuel Teixeira Marvila,
Elyson Pozo Liberati and
Vinícius D’Almeida Rodrigues Ramos
编辑推荐:
本研究提出了一种结合有限元法(FEM)与人工神经网络(ANNs)的混合方法,用于预测由内柱支承的无梁楼盖极限冲切剪力承载力。研究人员首先建立并基于试验结果验证了有限元模型,以模拟楼板受力行为。随后,利用这些模型生成了包含1000组数据的数值数据集,其中几何参数
本研究提出了一种结合有限元法(FEM)与人工神经网络(ANNs)的混合方法,用于预测由内柱支承的无梁楼盖极限冲切剪力承载力。研究人员首先建立并基于试验结果验证了有限元模型,以模拟楼板受力行为。随后,利用这些模型生成了包含1000组数据的数值数据集,其中几何参数与力学参数均发生变化。基于该数据集,研究人员训练并评估了600种ANN结构,并从中筛选出3种具有较高预测性能的模型(R2 > 0.99,MAE < 8 kN)。针对网络超参数与数据集规模开展的敏感性分析表明,500–750个样本足以实现ANN的准确训练。最后,所选ANN–FEM模型针对20个试验工况进行了检验,并与ACI 318、Eurocode 2和NBR 6118的预测结果进行了对比。尽管设计规范表现出显著低估(最高达95%),ANN与FEM模型的平均百分误差分别为11.6%和10.1%。上述结果表明,所提出的混合方法为结构设计中的冲切剪力承载力预测提供了一种准确、高效且具有工程实用性的替代方案。
该文发表于《Buildings》,围绕无梁楼盖在内柱作用下的极限冲切剪力承载力预测问题,提出并验证了一种混合人工神经网络-有限元方法(ANN–FEM)。研究背景在于:无梁楼盖因建筑布置灵活、施工效率高、可减小结构总高度并降低混凝土用量而在现代结构体系中广泛应用,但其冲切破坏(punching shear failure)具有明显脆性,极端情况下可能诱发渐进性倒塌甚至整体结构失效,因此冲切承载力评估始终是结构工程中的关键难题。现有主流设计规范,如ACI 318、Eurocode 2、fib Model Code以及NBR 6118,通常采用经验型公式进行设计验算,而既有研究已反复指出,这类公式往往对无梁楼盖真实极限冲切承载力产生系统性低估;对于带孔洞或配设抗剪钢筋的板柱连接,偏差甚至更为显著。这种保守性虽然有利于安全储备,但也意味着设计结果可能偏离真实受力行为,影响工程经济性与设计精度。与此同时,有限元法(FEM)能够较高精度模拟材料非线性、裂缝扩展及破坏机理,但建模过程复杂、计算耗时,且对工程师的数值分析能力要求较高。机器学习(ML)尤其是人工神经网络(ANN)则具备快速预测优势,但现有相关研究多依赖文献试验数据库,数据量有限、来源不均、参数缺失和尺度效应等问题突出,制约了模型泛化能力与应用广度。在此背景下,将FEM的物理建模能力与ANN的高效学习能力耦合,构建混合ANN–FEM框架,具有明确的问题导向与工程意义。
研究人员据此开展了三阶段研究:首先建立并验证无梁楼盖冲切问题的有限元模型;随后通过自动化脚本批量生成有限元计算结果,构建数值数据库;最后基于该数据库训练与筛选ANN模型,并与试验结果及现行设计规范进行对比分析。研究结论表明,采用FEM结果训练得到的ANN模型能够以很高精度预测常规无梁楼盖的极限冲切承载力,验证集上决定系数R
2超过0.99,平均绝对误差(MAE)低于8 kN;在与20个文献试验算例比较时,ANN与FEM的平均百分误差分别为11.60%和10.05%,显著优于设计规范方法。研究还发现,在本研究参数范围内,500–750组样本已足以支持ANN获得稳定而准确的预测性能,继续增加数据量带来的收益较为有限。该研究的重要意义在于:其一,证明了基于数值仿真数据库而非传统试验数据库训练ANN模型的可行性;其二,显示出混合ANN–FEM方法可作为规范公式之外的有效补充乃至替代工具,用于结构初步设计、参数分析和工程辅助决策;其三,为将机器学习方法扩展至更复杂板柱连接问题提供了方法学参考。
研究人员采用的主要技术方法可概括如下:首先,以Liberati et al.、Marques et al.的试验原型为参照,基于ABAQUS建立四分之一对称有限元模型,采用C3D8R实体单元模拟混凝土与钢板、T3D2桁架单元模拟钢筋,并以混凝土损伤塑性模型(CDP,Concrete Damaged Plasticity)和钢材塑性模型描述材料非线性;其次,通过Python v3.11.9脚本实现有限元建模、求解与终止判据的自动化,随机组合混凝土抗压强度、柱截面尺寸、板厚及配筋率等变量,生成1000组数值样本;再次,利用Keras构建前馈反向传播ANN,以Min-Max归一化、80/20训练-测试划分和ADAM优化器完成训练,并系统考察隐藏层数、神经元数、epoch数、batch size及数据集规模对性能的影响;最后,选取20个文献试验样本,对ANN、FEM及ACI 318、Eurocode 2、NBR 6118预测结果进行对比评价。
在“Reference Test and FE Validation”部分,研究首先介绍了有限元模型的试验参照基础。用于验证的原型楼板为LR系列常规无梁楼盖试件,不设孔洞和抗剪连接件,平面尺寸为1800 mm × 1800 mm,厚度130 mm,中心通过150 mm × 150 mm钢板施加荷载。楼板采用液压作动器加载,并通过钢梁反力体系与周边八个支承钢板实现受力边界。该部分明确了模型验证所依托的试验对象及其几何、构造和钢筋布置,为后续数值模拟可信性奠定基础。
在“Finite Element Modeling”部分,研究人员详细说明了有限元建模策略。模型在ABAQUS中实现,利用问题双向对称性仅建立四分之一模型以降低计算成本;为再现支承体系刚度,在支承钢板处布置竖向线弹簧,弹簧刚度取5500 N/mm。混凝土与钢板采用八节点线性缩减积分六面体单元C3D8R离散,钢筋采用两节点线性桁架单元T3D2模拟。网格灵敏度分析后,将最大单元尺寸设定为20 mm。荷载施加方式采用柱区位移控制。材料本构方面,混凝土采用弹性模型结合CDP模型,关键参数包括扩容角Ψ = 50.0°、偏心率? = 0.100、双轴与单轴抗压强度比f
b0/f
c0 = 1.160、屈服面形状因子K = 0.667及黏性参数μ = 0.00001;受压应力-应变关系及受拉应力-裂缝张开关系经多种公式比较后,采用fib Model Code与Hordijk模型获得最接近试验的结果。该部分说明,有限元模型不仅考虑了材料非线性,还兼顾了几何、边界与裂缝损伤机制,具备模拟冲切破坏全过程的能力。
在“Validation of the FE Approach”部分,研究通过荷载-位移曲线及裂缝形态比较验证了建模方法的可靠性。对于LR-C试件,试验峰值荷载为259.2 kN,FEM预测为271.9 kN,偏差+4.9%;对应峰值位移试验值为16.87 mm,数值值为18.34 mm,偏差+8.7%。对于LR试件,试验峰值荷载为232.3 kN,FEM预测为238.5 kN,偏差+2.6%;峰值位移分别为14.3 mm和14.5 mm,偏差+1.3%。在定性层面,数值模型预测的拉伸损伤分布与试验裂缝图样高度一致,均表现为柱周区域裂缝与损伤集中,并向板边发展出辐射状裂缝,符合对称加载下典型冲切破坏模式。由此得出结论:所建立的FEM模型能够较准确地表征无梁楼盖达到冲切承载力前的力学响应、裂缝扩展、混凝土压碎及钢筋屈服过程。
在“Methodology for Dataset Generation”部分,研究人员说明了数值数据库的生成流程。与既有多数机器学习研究直接收集试验数据不同,本研究采用经验证的FEM模型自动生成数据库。Python脚本负责按照预设输入参数自动创建有限元模型、提交求解并结束分析。由于Abaqus中采用Static General算法和位移控制加载时缺少在达到峰值承载力后自动终止分析的标准功能,因此研究额外编写了监测程序:当监测荷载相对于最大值下降5%时即停止计算,从而减少不必要的后峰值计算时间。该自动化策略使大规模生成结构冲切承载力样本成为可能,是混合ANN–FEM方法实施的关键环节。
在“Mechanical and Geometrical Parameters”部分,研究给出了数据库输入变量的选取原则与分布方式。输入变量包括混凝土抗压强度f
c、柱截面尺寸a与b、板厚h以及受弯配筋率ρ,参数范围参照ACI 318、Eurocode 2、fib Model Code与NBR 6118中的设计公式确定。所有输入参数在给定区间内按均匀分布随机抽取,以实现对参数空间的均衡覆盖,避免若采用正态分布时样本过度集中于均值附近。对1000组参数组合分别进行非线性有限元分析,提取对应最大冲切剪力V
max,最终形成1000行6列的数据库。研究还指出,由5个均匀分布随机变量组合而成的响应呈对数正态分布特征,这与统计学中多变量乘性组合的规律一致。该部分的核心结论是:数据库构建目标并非再现现实分布,而是系统探索结构参数组合,因此均匀分布更适于ANN训练。
在“ANN Training and Validation”部分,论文系统阐述了神经网络构建、训练与性能评价过程。研究采用Keras实现前馈神经网络(feedforward neural network)并通过反向传播(backpropagation)与ADAM优化器训练。输入层变量为f
c、a、b、h和ρ,输出层变量为最大冲切剪力F
max。为提升训练稳定性,输入与输出变量均先采用Min-Max方法归一化至[0,1]区间,并利用scikit-learn中的MinMaxScaler进行一致化预处理。数据集按80/20划分为训练集与测试集。网络性能通过均方误差(MSE,Mean Squared Error)与平均绝对误差(MAE,Mean Absolute Error)评价。该部分建立了后续超参数分析和模型筛选的技术基础。
在“Network Architecture and Design Choices”部分,研究重点考察了网络超参数对预测性能的影响。研究共评估了600种ANN结构,系统改变隐藏层数、每层神经元数、epoch数与batch size。结果表明,隐藏层数对平均MAE影响有限,但5个隐藏层的模型离散性更低,训练稳定性可能更好;随着每层神经元数增加,模型平均误差与波动均呈下降趋势,说明较高表示能力有助于捕捉复杂非线性关系;epoch增多通常有助于降低MAE,反映出更充分的权重更新可改善学习效果;batch size则影响显著,较小或中等batch通常产生更低误差和更小离散性,而过大batch(如500)表现较差,说明较高随机性更新更有利于探索解空间并增强泛化。基于各项误差指标,研究最终选取3种最优结构作为ANN-A、ANN-B和ANN-C用于后续分析。三种模型在训练集与测试集上的R
2均高于0.99,测试阶段平均误差低于1.6%,最大单个误差为6.0%,均低于ACI 318可接受的15%限值。由此可见,所选ANN架构既具有良好的拟合能力,也具有较低过拟合风险。
在“Effect of Dataset Size on ANN Model Performance”部分,研究进一步分析了样本数量对模型精度与训练代价的影响。结果显示,当数据量由100增至500时,验证集上的MAE与MSE持续下降,R
2显著提升;超过500后,误差指标趋于平台,性能增益仅为边际改善。ANN-A在500个样本时达到最低MAE,ANN-B与ANN-C在500–1000样本区间内变化很小,说明该范围内模型已充分学习主要模式。研究据此提出,在本研究输入变量范围和变异水平下,500–750个样本足以获得可靠预测。需要指出的是,构建1000组样本数据库需对每组参数进行一次非线性FEM分析,整体耗时约502 h(21天),计算平台为Intel Core i9-10850K处理器和64 GB内存工作站。因此,数据集规模选择不仅是精度问题,也是计算成本问题。该部分的结论为结构工程中基于数值样本训练ANN的数据需求提供了有价值参考。
在“Comparison of ANN-FEM Predictions with Current Design Codes”部分,研究将3种ANN模型及FEM结果与20个文献试验样本进行对比,并同步考察NBR 6118、Eurocode 2和ACI 318的预测表现。结果显示,ANN与FEM整体上与试验值吻合较好,平均百分误差分别为11.60%和10.05%;相比之下,NBR 6118与ACI 318表现出较明显的偏差,平均误差分别为24.47%和28.78%,Eurocode 2居中,为14.73%。在个别样本上,这种差异更加突出。例如L41A试件试验值为650 kN,FEM和ANN预测约高7%,而ACI 318和NBR 6118分别低估24%和28%;L42试件中,NBR 6118较试验值703 kN低估超过34%,而ANN与FEM误差约为?14%;对高承载力试件L42A(743 kN),ANN与FEM高估5%–7%,NBR 6118与ACI 318则分别低估30%和18%;对于较低承载力试件PG-9(115 kN),ANN和FEM分别高估6.6%与11.6%,但NBR 6118、Eurocode 2和ACI 318偏差更大,其中ACI 318几乎达到95.4%的高估。该部分清楚表明:相较于现行规范经验公式,ANN–FEM混合方法在全局和个体层面均具有更高预测精度和更好适用性。
讨论部分的核心可概括为:一方面,现行规范公式基于经验拟合,具有明显保守性及有限泛化能力,在不同参数区间和不同试件上的偏差表现并不稳定;另一方面,FEM虽能提供较高精度,但工程应用受限于建模复杂度与计算时间。研究提出的混合ANN–FEM方法通过先用物理机制更充分的FEM生成数据库,再用ANN学习参数与承载力之间的复杂映射关系,实现了精度与效率之间的平衡。研究还通过超参数敏感性分析与数据集规模分析说明,该方法并非简单套用机器学习工具,而是对网络设计与样本需求进行了系统检验,从而增强了结果的稳健性与可复现性。与此同时,作者也明确指出研究对象仅限于常规无梁楼盖、同心受力和给定参数范围内的情形,因此其适用边界是清晰的,并未对更复杂构造或荷载工况作出超出原文依据的扩展性宣称。
研究结论部分可译述如下:本研究提出了一种基于ANN–FEM的混合方法,用于预测常规无梁楼盖的冲切剪力承载力。利用该方法,研究人员考察了ANN模型在不同网络超参数条件下的表现,包括隐藏层数、神经元数量、batch size与epoch数,同时分析了数据集规模对模型性能的影响。基于验证后的ANN–FEM模型,研究进一步与NBR 6118、Eurocode 2和ACI 318等主要设计规范进行了比较,以论证神经网络模型在结构设计中的适用性。结果表明:基于FEM结果训练的ANN模型具有较高预测精度,验证集上R
2大于0.99,MAE低于8 kN;与试验结果相比,ANN与FEM的平均百分误差分别为11.60%和10.05%,明显优于设计规范方法。验证后的ANN–FEM模型在整体与单体试件层面均优于传统规范公式,尤其ACI 318和NBR 6118表现出明显低估或高估倾向,反映出经验公式的保守性与泛化局限。所提方法结合了FEM的力学表征能力与ANN的计算高效性,训练完成后可在极低计算成本下快速给出预测结果,适用于初步设计、参数研究及工程辅助分析。数据集规模敏感性研究显示,在本研究条件下,500–750个样本足以获得准确预测,而继续增加样本仅产生有限收益。作者同时指出,本研究局限于常规无梁楼盖、同心加载及预设参数范围,未来可进一步拓展至带孔楼板、偏心荷载工况、不确定性量化、输入变量敏感性分析以及基于ANN的结构设计软件开发。