RC柱受剪承载力神经网络预测模型及其可解释性

摘要

针对钢筋混凝土（Reinforced Concrete, RC）柱的受剪承载力传统预测模型精度提升及已有试验数据的挖掘利用，基于机器学习方法和可解释性SHAP方法，建立人工神经网络模型对RC柱的受剪承载力进行预测．基于受剪理论，确定了纵筋配筋率ρ_l、纵筋屈服强度f_yl、面积配箍率ρ_sv等9个输入特征并对其相关性进行验证．利用收集整理的441组RC柱受剪试验数据，将所建神经网络模型与5种机器学习模型、5种传统半经验半理论公式进行比较，发现所建神经网络模型具有更好的泛化性和鲁棒性，其预测结果更加精准（在训练集和测试集上的R²分别达到0.99和0.92）．然后，采用SHAP方法对神经网络模型进行全局与局部可解释性分析．结果表明：截面宽度b、轴压力N、剪跨比λ、有效截面高度h₀、轴心抗拉强度f_t等特征对RC柱的受剪性能具有显著影响，SHAP方法对未知样例的预测结果同样给出了具有一定可信度的分析结果．综上，此数据与机理协同驱动的神经网络模型和SHAP可解释性方法可用于RC柱受剪承载力及类似问题的预测．

关键词

结构工程 / 钢筋混凝土柱 / 受剪承载力 / 神经网络 / 可解释性 / SHAP