混合深度学习与生成式AI增强的钢筋混凝土牛腿端部连接自动化设计

《Journal of Building Engineering》:Automated Design of Reinforced Concrete Dapped-End Connections Using Hybrid Deep Learning and Generative AI Augmentation

【字体: 大 中 小 】 时间:2026年04月05日 来源:Journal of Building Engineering 7.4

编辑推荐:

  钢筋混凝土牛腿端部连接(亦称半关节或格柏梁)因其在凹角处的高应力集中而易发生结构性破坏,准确评估其承载力对结构安全至关重要。本研究针对该领域实验数据稀缺、机器学习模型预测精度受限的瓶颈,创新性地将数值模拟与条件表格生成对抗网络(CTGAN)数据增强相结合,构建了包含1400个样本的数据集,并训练了ANN、GA-ANN和PSO-ANN模型。结果表明,GA-ANN模型预测最为精准(测试R2=0.954),经64组独立实验验证,模型泛化能力得到显著提升。研究进一步开发了机器学习辅助设计框架,可针对给定承载力需求预测多种可行的设计参数组合,为连接设计优化提供了强大工具,有力推动了数据驱动方法在结构工程中的应用。

  
在预制混凝土结构的世界里,牛腿端部连接扮演着不可或缺的“关节”角色。它们广泛存在于桥梁、住宅、办公楼、工业建筑和停车场,以其独特的、在凹角处截面深度骤减的造型,巧妙地连接着预制构件,同时保持较小的结构高度。然而,这种“瘦身”设计也带来了“阿喀琉斯之踵”——应力在尖锐的凹角处高度集中,极易在使用荷载下引发开裂。更严峻的是,这种连接需要通过大幅减小的截面传递巨大的剪力,使其对脆性剪切破坏异常敏感。此外,水和盐分渗入裂缝引发的腐蚀等耐久性问题,也让牛腿端部连接的设计、维护和评估变得尤为棘手。尽管过去几十年,研究人员通过实验、理论分析和数值模拟对其行为进行了大量探索,但如何精准、高效地预测其极限承载力,并反过来指导最优设计,始终是工程实践中的核心挑战。
近年来,机器学习(ML)的兴起为结构工程领域带来了新希望。数据驱动框架能够直接从几何和材料参数出发,估算结构承载力,在混凝土领域已得到广泛应用。然而,对于牛腿端部连接,机器学习方法的应用却因一个关键瓶颈而步履维艰:实验数据严重匮乏。有限的数据量制约了ML模型的预测精度和泛化能力,使得“数据饥渴”成为该领域研究深入的拦路虎。同时,尽管准确预测给定设计变量的承载力至关重要,但若能开发一个ML辅助设计框架,能够识别出满足目标性能要求的合适配筋方案,其价值将更为巨大。这样的工具能够系统探索设计空间,在多个交互参数共同影响结构响应时,为面向设计的决策提供有力支持。
为了解决上述难题,并探索机器学习在结构设计自动化中的潜力,由Shashika Dharmawansha、Sumudu Herath、P.L.N. Fernando、D.P.P. Meddage和Chathura Rajapakse组成的研究团队在《Journal of Building Engineering》上发表了一项开创性研究。他们提出了一种融合数值模拟、生成式AI数据增强和混合深度学习模型的新颖框架,旨在实现钢筋混凝土牛腿端部连接的自动化设计与优化。该研究不仅致力于提升承载力预测的准确性,更向前迈出一步,构建了一个能够根据目标承载力“反向”推荐多种可行设计方案的智能工具。
为开展此项研究,作者团队综合运用了多项关键技术。首先,他们基于VecTor2软件建立了经过24组实验数据验证的非线性有限元模型,通过参数化研究生成了包含720个结果的数值数据库,涵盖了牛腿深度、剪跨比、混凝土抗压强度、水平和竖向钢筋的层数、间距及强度等关键变量。其次,针对数据稀缺的核心问题,研究创新性地采用了条件表格生成对抗网络(CTGAN),这是一种专门为表格数据设计的生成式AI模型,能够学习原始数据的分布特征,并生成了680个统计特征一致的合成数据样本,从而将总数据集扩大至1400个。在此基础上,研究训练并比较了人工神经网络(ANN)、遗传算法优化的人工神经网络(GA-ANN)和粒子群优化的人工神经网络(PSO-ANN)三种机器学习模型,用于预测牛腿连接的极限承载力。模型的泛化能力通过从文献中收集的、完全未参与训练的64组实验数据进行了独立验证。最后,利用性能最佳的GA-ANN模型,研究构建了一个机器学习辅助设计模型。该模型采用“反向工程”思路,通过生成大量随机参数组合并利用训练好的模型进行筛选,能够为用户指定的目标承载力和误差范围,提供多种可行的设计参数(包括配筋方案)组合,实现了从“预测”到“设计”的跨越。
研究结果
1. 数据增强与混合模型显著提升预测性能
研究设置了两个对比案例:模型1仅使用720个数值数据训练;模型2使用包含720个数值数据和680个CTGAN生成数据的合计1400个数据训练。两者均使用相同的64组独立实验数据进行测试。结果表明,无论使用何种数据集训练,GA-ANN和PSO-ANN这两种混合模型均显著优于单一的ANN模型。当使用增强后的数据集时,所有模型的性能都得到了进一步提升。其中,GA-ANN模型表现最佳,在增强数据集上训练后,其测试R2达到0.961,归一化均方根误差(NRMSE)为0.101。相比之下,仅用数值数据训练的GA-ANN模型测试R2为0.807。这清晰地证明了CTGAN数据增强在缓解数据稀缺、提高模型预测精度和泛化能力方面的巨大价值。
2. SHAP分析揭示影响承载力关键因素及模型合理性
研究采用SHapley Additive exPlanations(SHAP)方法对最佳模型GA-ANN进行可解释性分析。结果显示,水平(抗弯)钢筋的强度(Ashfy,sh)是对牛腿连接承载力影响最大的参数,其次是竖向(吊筋)钢筋的强度(Asvfy,sv)。混凝土抗压强度(fc)和牛腿深度(h)与承载力呈正相关,而剪跨比(a/d)以及水平、竖向钢筋的层间距(Sh, Sv)则与承载力呈负相关。这些关系与基于变形协调的运动学模型所揭示的力学原理完全一致,表明GA-ANN模型并非“黑箱”,它成功地捕捉并学习了牛腿连接行为背后的基本物理规律。
3. 机器学习预测优于传统分析方法
研究人员将GA-ANN模型的预测结果与两种常用的分析方法——压杆-拉杆模型(STM)和PCI设计方法——进行了比较。在64组实验数据上,GA-ANN预测的实测承载力与预测承载力之比(Vu,Act/Vu,Pred)均值为1.00,变异系数(COV)为14.2%,表现出高度的准确性和无偏性。而STM和PCI方法的预测则普遍偏于保守,其Vu,Act/Vu,Pred均值分别为1.35和1.42,COV也更高(分别为32.46%和25.30%)。这表明机器学习模型能够更全面地考虑参数间复杂的相互作用,从而提供更接近真实情况的承载力估计。
4. 成功开发机器学习辅助设计模型
基于训练好的GA-ANN模型,研究团队开发了一个创新的“反向”设计框架。用户只需输入目标承载力、牛腿深度、剪跨比和允许的误差范围,该模型就能从海量随机生成的设计参数组合中,筛选出所有能使预测承载力落在目标区间内的可行方案。例如,对于一个目标承载力为300 ± 5 kN的连接,模型可以为给定的牛腿深度和剪跨比提供多种不同的配筋方案(如不同的钢筋直径、层数、间距和混凝土强度组合)。对这些模型推荐方案进行有限元验证的结果显示,预测承载力与有限元计算结果之比的平均值为1.07,COV为4.10%,证明了该设计工具的高度可靠性。这一功能使得工程师能够在设计初期快速评估多种备选方案,根据材料可用性、施工便利性或成本进行优化选择,极大提升了设计效率和灵活性。
结论与意义
本研究成功构建了一个集数值模拟、生成式AI数据增强和混合深度学习于一体的综合性框架,用于钢筋混凝土牛腿端部连接的承载力预测与自动化设计。核心结论是:通过CTGAN进行数据增强能有效解决该领域数据稀缺问题,显著提升机器学习模型的精度和泛化能力;在ANN基础上引入遗传算法(GA)等元启发式优化算法,能进一步优化网络结构,其中GA-ANN模型表现最优;SHAP分析证实了最优模型符合基本的工程力学原理;最终开发的机器学习辅助设计模型,能够为指定承载力需求提供多种可行的、经有限元验证的优化设计参数组合。
这项研究的科学价值和应用意义重大。在方法论上,它展示了生成式AI(特别是CTGAN)在扩增工程数据集、赋能小样本机器学习方面的巨大潜力,为其他数据匮乏的工程问题提供了可借鉴的解决方案。在工程实践上,它将机器学习从传统的“正向预测”工具,拓展为强大的“反向设计”助手,推动了结构设计向智能化、自动化方向迈进。所开发的设计模型能够帮助工程师快速生成并比较多种合规且经济的设计方案,优化材料用量,加速设计决策流程。最终,该研究为预制混凝土结构中关键但脆弱的牛腿端部连接提供了更精准、高效的设计与分析工具,对保障结构安全、提升建设效率具有重要的实际意义。
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