《Journal of Building Engineering》：Revisiting the Shear Behavior of RC Coupling Beams: From Dataset Compilation and Solution Development to Experimental Validation
编辑推荐：
基于200个实验样本的RC耦合梁极限剪力预测研究，采用机器学习模型（MLP、XGBoost、随机森林等）结合敏感性分析和SHAP可解释性分析，揭示了梁宽、斜向配筋率、截面深度和材料强度等关键参数的影响，开发了具有高精度（RF模型R2=0.96）和低偏差的实用方程（PS方案R2=0.81），并通过盲验证实验（预测值/实测值0.78-1.09）证实其泛化能力优于现有方法。
Bilal Younis | Hao Wu | Abouzar Jafari
中国上海同济大学土木工程防灾国家重点实验室，200092
摘要
在地震荷载作用下，剪力墙系统中的钢筋混凝土（RC）连梁会经历较大的非弹性变形。准确预测其极限抗剪能力对于能量耗散和结构稳定性至关重要。为了提高这些预测的准确性，本研究汇编了一个包含200根实验测试过的RC连梁的综合性数据集，这些连梁涵盖了1980年至2025年间报道的传统加固和斜向加固的样本。利用该数据集，开发了多种基于机器学习（ML）的解决方案，包括单一学习模型（MLP）和集成算法。一种基于最小化MLP架构的实用解决方案（PS）提供了一个明确的抗剪能力计算公式，而其他模型则通过图形用户界面（GUI）进行访问。敏感性和SHAP分析确定梁宽、斜向加固比例、深度和材料强度是最具影响力的特征，这与力学原理一致。所开发的解决方案表现出高可靠性、最小偏差（例如，预测均方误差= -0.6 kN，实际值= 67.4 kN）以及低预测不确定性，优于现有解决方案，后者的预测值高达463.9 kN。预测性能表现出色，RF、MLP和XGBoost的预测准确率分别为0.96、0.93和0.85，均方误差分别为-0.6、-4.8和-13.9 kN；PS解决方案的预测准确率为0.81，提供了一个可靠的实用公式。其中，RF和MLP被认定为表现最佳的模型，结合了高准确性和低偏差。此外，在扩展数据集上训练的模型比基于先前报告的数据集的模型具有更高的预测准确性、更低的偏差和更低的预测不确定性。通过对两根全尺寸传统加固梁（CB1和CB2）的全面实验验证，确认了这些解决方案的通用性，预测值与实验值的比值为0.82–1.09（CB1）和0.78–1.09（CB2），远优于现有解决方案。总体而言，所开发的解决方案为预测RC连梁的抗剪能力提供了准确、可解释且实用的工具，有助于更安全的地震设计。
引言
钢筋混凝土（RC）剪力墙通常用于中高层建筑中，作为侧向力抵抗系统的一部分。这些墙体通常被划分为多个剪力墙段[1]，[2]，并通过称为连梁的构件连接在一起。从结构设计的角度来看，连接相邻剪力墙的连梁起到了能量耗散元件的作用。在侧向荷载作用下，它们会发生非弹性变形，从而耗散地震能量并减少剪力墙的倾覆需求。这种能量耗散机制有助于在地震事件中降低损坏风险，并通过保持剪力墙系统的完整性来提高结构的整体稳定性，确保其在侧向力作用下的整体性。RC连梁通常采用两种加固配置之一进行设计：传统加固混凝土梁（CRCBs）和斜向加固混凝土梁（DRCBs）。图1展示了CRCBs和DRCBs的典型加固细节。
由于RC连梁在抵抗侧向力方面起着关键作用[3]，[4]，对其抗剪能力进行了广泛研究[3]，[4]。过去几十年中，许多研究致力于了解RC连梁的地震响应[5]，[6]，[7]。传统的设计方法采用垂直和水平加固来进行连梁设计。CRCBs主要通过水平钢筋的屈服来耗散能量[8]。这种配置的一个主要局限性是纵向钢筋不能直接贡献抗剪能力，这往往导致梁表面出现宽大的弯曲裂缝[9]。最近的研究表明，诸如超高性能混凝土等先进材料可以通过提高抗拉强度、密集的微观结构和改善的粘结性能来显著提高RC构件的抗剪能力和裂缝控制能力，从而缓解了传统加固布局的一些局限性[10]，[11]。为了解决这一问题并提高抗剪能力，Paulay和Binney引入了使用斜向加固的替代加固配置[12]。顾名思义，斜向钢筋沿梁的长度呈X形布置，穿过连接的墙墩。与传统加固梁相比，DRCBs在抵抗剪力力和提高非弹性转动能力方面更为有效[13]，[14]。
多项研究致力于改进连梁的抗剪强度和变形行为的预测[15]，[16]，[17]，[18]。Park等人的研究[19]探讨了具有不同加固配置的DRCBs的地震性能。他们提出了一种新的解决方案，考虑了斜向和纵向加固以及混凝土的贡献。Zhou等人[20]在基于力学的桁架模型方面取得了重要进展。该模型考虑了箍筋的部分屈服，并采用了一个由主支撑杆和次级支撑杆组成的荷载路径，这些支撑杆与箍筋处于平衡状态。Chetchotisak等人[21]开发了一种新型的支撑杆-绑扎模型，该模型包括剪切-弯曲相互作用，用于预测短RC连梁的抗剪能力。Anaraki和Wallace[22]开发了一个考虑轴向约束效应的DRCBs 3D模型。Amiri等人[23]通过51次试验研究了DRCBs的地震性能。他们的结果表明，轴向约束和嵌入的纵向钢筋可以提高超出当前设计规范规定的抗剪能力和超强度。
近年来，利用ML算法的数据驱动解决方案越来越受到关注，并在估计和预测结构构件的性能方面取得了快速进展[24]。许多近期研究探索了将ML算法应用于预测RC连梁的抗剪能力。Hu等人[25]使用训练有素的XGBoost模型，通过统一数据库预测RC连梁的峰值荷载、峰值屈服和软化旋转。Zhao等人[26]利用不同的ML算法预测小跨度-深度比的板加固复合（PRC）连梁的抗剪能力。Abood等人[27]使用基于粒子群优化（PSO）调整的支持向量回归（SVR）预测了RC连梁的抗剪能力，该模型基于Chetchotisak等人[21]汇编的100根RC连梁样本数据库进行训练。更广泛地说，各种算法已被用于预测RC结构构件的性能，包括梁[28]，[29]，[30]，[31]、梁-柱接头[32]，[33]和剪力墙[34]，[35]，[36]的抗剪能力。Rahman等人[37]提出了一种利用ML方法预测钢纤维增强混凝土（SFRC）梁抗剪能力的预测解决方案。
尽管在RC连梁的设计和分析方面取得了显著进展，但传统预测抗剪能力的方法在效率和适应性方面仍存在局限性。虽然基于经验和力学的方法被广泛使用[38]，[39]，但它们往往无法捕捉设计特征之间的复杂相互作用。此外，现有的ML解决方案缺乏足够的可访问性和可解释性，限制了它们在实际应用中的有效性。因此，迫切需要更稳健、高效且实用的可解决方案，这些解决方案可以利用全面的数据集来提高RC连梁抗剪能力的预测准确性。
为填补现有文献中的空白，本研究首次汇编了一个专门包含全球实验研究中RC连梁的综合性数据集。首先进行了敏感性分析，以量化影响RC连梁抗剪能力的最具影响力特征。然后使用该数据集开发了基于ML的解决方案来预测RC连梁的极限抗剪能力。还使用最小化神经网络架构开发了一种实用解决方案，该方案以明确的数学公式表示。此外，将所开发的解决方案与现有设计规范和文献中报告的关系进行了全面比较。鉴于所开发解决方案的高准确性和实际相关性，还开发了一个带有图形用户界面（GUI）的用户友好型Web应用程序，方便用户访问这些解决方案。此外，还对两根CRCBs进行了广泛的实验验证，其中一根设计为脆性剪切行为，另一根设计为延性剪切行为。这些实验对于验证所开发解决方案的稳健性和通用性至关重要。实验结果作为独立基准，评估了这些解决方案的预测准确性，证明了它们在工程实践中的实用性和可靠性。
材料与方法
在以下部分中，建立了一个综合性数据集，以提出基于ML的可靠预测模型，用于预测RC连梁的抗剪能力。进行了广泛的敏感性分析以确定具有影响力的特征。探索了几种算法，以提出低不确定性和最优解决方案，以及基于实用公式的解决方案。使用SHAP分析检验了最优解决方案的可解释性，并将提出的解决方案与现有解决方案进行了比较
结果与讨论
以下小节展示了预测性能评估、偏差评估和设计适用性的比较结果，以及提出的方法和现有方法之间解决方案不确定性的分析。使用SHAP值分析了表现最佳提出的解决方案的可解释性，并通过盲验过程评估了它们的泛化能力。最后，通过基于Web的
结论与展望
本研究汇编了1980年至2025年间测试的传统加固和斜向加固RC连梁的综合性数据集。使用单一学习（MLP）和集成学习算法（XGBoost、CatBoost、LightGBM和RF），开发了多种预测RC连梁极限抗剪能力的解决方案。利用简单的MLP架构，开发了一种实用解决方案，该方案以数学形式表达了极限抗剪能力，而其他
CRediT作者贡献声明
Bilal Younis：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，软件，调查，正式分析，数据整理。Hao Wu：撰写 – 审稿与编辑，监督，资源管理，项目管理，资金获取，概念化。Abouzar Jafari：撰写 – 审稿与编辑，可视化，监督，资源管理，项目管理，方法论，调查，资金获取，概念化
数据可用性
本研究中使用的实验测试RC连梁的数据集作为补充材料随本文提供。
写作过程中生成式AI和AI辅助技术的声明
在写作过程中，作者使用ChatGPT来提高手稿的可读性和语言表达。使用该工具后，作者根据需要仔细审阅和编辑了内容，并对最终版本的出版物负全责。
利益冲突声明
? 作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
本研究得到了国家自然科学基金（NSFC）的资助，项目编号为U2139209和52378528。作者Bilal Younis还感谢中国 Scholarship Council（CSC）为其研究生学习提供的财务支持。
