近日，桥梁团队完成的最新成果被国际人工智能领域知名期刊《Engineering Applications of Artificial Intelligence》录用发表（计算机科学，中科院一区TOP，IF=8.0），论文题目为 High-quality dataset and engineering-friendly interpretable machine learning model for predicting shear capacity of perfobond rib connectors。该成果以日本做爱 为第一完成单位，第一作者为郑开启副教授，成果受到了国家自然科学基金资助。

  当前，我国基础设施建设正加速向数字化、智能化转型，人工智能与工程建造技术的深度融合，成为推动土木工程行业高质量发展的核心方向。组合桥梁结构凭借其高性能、轻量化和经济性的核心优势，已成为我国桥梁工程建设的主流发展形式；剪力连接件是组合结构中协调不同材料协同受力、保障结构整体安全的核心枢纽。因此本研究构建了开孔钢板（PBL）连接件高质量数据集，采用机器学习（ML）的方法，对PBL连接件的抗剪承载力开展预测研究；针对ML研究方法固有的“黑盒子”局限性，本研究构造了一套完整的显式化方法框架，为ML方法能够更好的指导工程实际提供了一条新的道路。

论文研究框架

  研究收集建立了包含233个PBL连接件抗剪试验样本的可靠数据库，数据库包含PBL连接件的开孔个数（n）、开孔孔径（D），混凝土强度方（fc）、穿孔钢筋拉力（Atrfy）等11个输入参数和1个目标参数（PBL连接件的抗剪承载力Vu）。建立并训练了人工神经网络（ANN）等9种ML模型来对PBL连接件的抗剪承载力进行预测分析，并通过沙普利分析（SHAP）来研究ML模型的参数敏感性。研究表明，ML模型的预测精度均优于传统经验公式，其中CatBoost模型的综合性能最优，从评估指标来看相较最优的经验公式均方根误差（RMSE）下降84%，变异系数（CoV）下降72%。考虑PBL连接件的主要抗剪传力机制，并结合SHAP参数敏感性分析的结果，提出建立了基于ML模型的PBL连接件抗剪承载力的加和型显式计算公式，数据库验证效果良好，试验值与模型预测值比值的均值（Avg）为1.03，CoV为0.23。该加和型显示公式是ML模型的显式化结果，且构造形式具有明确的物理可解释性，为ML模型显式化的方法提供了新的可选路径。

PBL连接件输入参数示意图

ML模型及显式公式的预测效果

用户友好型界面

  该研究较系统地阐明了ML模型预测PBL连接件抗剪的主要影响参数，建立了显式化的、物理意义可解释的抗剪承载力计算模型。此外，该研究开发了用户友好型（GUI）界面，界面同时集成了最优的ML模型和建立的显式公式两种计算核心，输入相关设计参数后可计算得出PBL连接件抗剪承载力预测值。使ML方法能更直接、更便捷的应用的工程实际中。

供稿：白学洋；供图：白学洋；审核：魏洋；编辑：许历隆