基于可解释机器学习的轻木覆面加固砌体墙对角受压性能不连续参数分析与机理解析

《Journal of Building Engineering》：Explainable-machine-learning-powered discontinuum parametric analyses of the diagonal compression response of URM walls retrofitted with light timber cladding modules

本研究针对既有无筋砌体（URM）建筑抗震性能差、热工性能不足的双难题，采用不连续元法（DEM）结合可解释机器学习，系统探究轻木模块加固后对角受压响应。梯度提升决策树等模型预测精度优异（平均R2达0.943），SHAP分析揭示砂浆黏结力主导初始强度、锚固剪切刚度控制残余承载力，为寒冷地区中低地震风险区URM建筑可持续加固设计提供量化工具与透明决策依据。

　　

在加拿大东部，许多历史悠久的城市中心矗立着大量无筋砌体（Unreinforced Masonry, URM）建筑。这些建筑承载着厚重的文化记忆，却也暗藏着巨大的安全隐患。它们就像风烛残年的老人，骨骼脆弱，一旦遭遇地震，极易发生脆性倒塌，造成灾难性后果。2015年尼泊尔廓尔喀地震导致近万间砖石房屋损毁，2003年伊朗巴姆地震更是让数万人丧生，这些悲剧的根源往往就是低质量的砌体结构。除了“骨脆”，这些老建筑还普遍患有“体寒”——能源效率低下。在欧洲，约75%的现有建筑达不到当前的能效标准；而在加拿大的魁北克省，既有建筑甚至贡献了近35%的温室气体排放。这种结构安全与能源效率的双重困境，使得对这些存量巨大的老旧URM建筑进行一体化改造迫在眉睫。

传统的加固方法往往顾此失彼，而近年来兴起的木基加固系统因其轻质高强、易于预制、可再生且可逆的特性，成为了连接结构安全与绿色节能的理想桥梁。针对加拿大东部寒冷气候及中低地震风险的特殊背景，麦吉尔大学的研究团队提出了一种创新的轻木模块化加固系统。这种系统不仅能提升墙体的抗震变形能力，还能通过附加保温层改善热工性能。然而，这种复合体系的行为极其复杂，物理实验难以全面捕捉材料属性与连接细节对整体性能的微妙影响。为了深入解析其中的耦合机制，并为工程设计提供精准指导，一项融合了高精度数值模拟与前沿人工智能技术的系统性研究应运而生，相关成果发表在《Journal of Building Engineering》。

为了揭开这一加固系统的性能密码，研究人员采用了几项关键技术方法。首先，基于前期实验室对角受压试验结果，利用三维不连续元法（Distinct Element Method, DEM）构建了高保真的数值模型，并通过对比荷载-位移曲线与破坏模式完成了模型校准。随后，依托验证后的模型，开展了全因子虚拟实验设计，系统生成了包含576个样本的数据库，覆盖了砂浆黏结力、砌体弹性模量、锚固剪切强度、锚固剪切刚度及有效锚固长度等关键参数的变化。在此基础上，研究应用了七种机器学习算法（包括线性回归、决策树、随机森林、梯度提升决策树GBDT、K近邻、支持向量机SVM和人工神经网络ANN）构建预测模型，并利用贝叶斯优化与十折交叉验证进行超参数调优。最后，引入SHapley Additive exPlanations（SHAP）可解释性框架，量化了各输入参数对输出响应的贡献度与影响方向。

2. EXPERIMENTAL AND NUMERICAL VALIDATIONS OF PROPOSED RETROFIT DESIGN

研究首先对提出的轻木模块化加固系统进行了详尽的实验与数值验证。该模块由规格为38×90 mm²的规格材斜撑胶合于12 mm厚胶合板上构成，形成45°对角支撑模式，通过化学锚栓固定于砌体墙面。对角受压实验严格遵循ASTM E519-22标准，结果显示未加固墙体呈现典型的脆性对角剪切破坏，而加固后的墙体则表现出混合破坏模式（对角剪切伴随水平灰缝滑移），并在初始峰值后出现显著的残余承载力，证明了该系统能有效抑制脆性破坏，提升变形能力。基于此，研究团队建立了三维DEM模型，将砌体离散为刚性块体，通过接触面的法向与切向弹簧模拟砂浆的非线性行为，并将木材视为连续弹性体，锚固点则简化为弹塑性弹簧。数值模拟成功复现了实验中的荷载-位移响应与裂缝发展轨迹，验证了模型的可靠性，为后续大规模参数分析奠定了基础。

3. DISCONTINUUM PARAMETRIC ANALYSIS

3.1. Critical input parameter identification

通过单因素敏感性分析，研究识别出影响加固墙体对角受压性能的关键参数。结果表明，锚固抗拉强度及木材弹性模量的影响微乎其微，因为加固体系的变形主要由界面滑移和锚固变形主导。相反，砂浆黏结力（c）和砌体弹性模量（E_m）对初始峰值强度具有显著正向影响，因为它们决定了开裂前的抗剪能力与界面刚度。而锚固剪切强度（F_rs）、锚固剪切刚度（k_rs）和有效锚固半长（l_ah）虽然对初始强度影响不大，却是决定残余峰值强度的关键因素，这反映了锚固系统在开裂后才开始发挥主要的剪力传递作用。

3.2. Design of virtual parametric experiments

基于筛选出的五个关键参数（c, E_m, F_rs, k_rs, l_ah），研究设计了包含576个工况的全因子虚拟实验矩阵。每个模拟提取了三个核心性能指标：初始峰值强度（f'_di）、残余峰值强度（f'_dr）以及对应初始峰值荷载80%的最大位移（δ₈₀）。

3.3. Statistical interpretation of virtual experimental results

统计分析进一步证实了参数影响的规律。初始峰值强度主要受c控制，随着c增大而显著提升；而残余峰值强度则同时受益于较高的E_m和k_rs，前者保证了基体刚度，后者强化了界面传力。对于变形能力（δ₈₀），较低的c会导致更大的位移分散性（更多分布滑移），而较强的锚固性能（F_rs, k_rs, l_ah）则能有效提升后开裂阶段的延性。

4. EXPLAINABLE MACHINE LEARNING PREDICTIONS

4.1. Prediction framework

研究构建了多输出回归模型来预测f'_di、f'_dr和δ₈₀。相关性分析显示，f'_di与f'_dr呈中等正相关（r=0.4046），而与δ₈₀呈显著负相关（r=-0.6441），表明高强度往往伴随着低延性。

4.2. Hyperparameter tuning

采用贝叶斯优化对七种算法的超参数进行调优，以均方根误差（RMSE）最小化为目标。

4.3. Model performance comparison

模型性能对比显示，梯度提升决策树（GBDT）、支持向量机（SVM）和随机森林（RF）表现最优，测试集平均R²分别达到0.943、0.939和0.934。其中GBDT在预测f'_di时几乎完美（R²=1.0000）。尽管人工神经网络（ANN）训练耗时最长，但所有模型在预测阶段均表现出极高的计算效率，证明了机器学习作为DEM高效替代模型的可行性。

4.4. Model explainability

利用SHAP分析揭示了GBDT模型的内部决策逻辑。对于f'_di，砂浆黏结力c的贡献度高达78%，占据绝对主导地位；而对于f'_dr，E_m（44%）和k_rs（26%）成为主要驱动因素；在δ₈₀的预测中，c（52%）、F_rs（17%）和k_rs（17%）共同主导。这一发现清晰地描绘了从“砌体主导”到“锚固-砌体协同主导”的力学机制转变。

5. CONCLUSIONS

该研究通过集成不连续数值模拟与可解释机器学习，成功构建了一个透明、高效的工具，用于解析轻木加固URM墙体的对角受压行为。研究证实，砂浆黏结力是提升初始抗剪强度的关键，而砌体刚度与锚固剪切特性则是保障震后残余承载力与变形能力的核心。这种基于数据驱动的参数分析方法，不仅为加拿大寒冷地区URM建筑的可持续改造提供了量化设计依据，也为复杂工程系统的机理解析树立了跨学科融合的典范。所有数据与代码均已开源，旨在推动该领域的进一步研究与工程应用。