摘要
混凝土是目前运用最为广泛的一种建筑材料，因此混凝土结构性能以及状态预测工作至关重要。传统地，学者从试验现象当中提炼客观规律然后建立力学模型，并基于试验数据进一步地拟合出半经验公式。但力学分析模型简化了部分关键因素，经验公式误差大、泛化能力弱。混凝土结构会产生一定程度的病害，影响结构安全。目前主要通过人工分析病害文本来评估结构的健康状态，但是这个方法主观性强，效率低下。机器学习是一种功能强大的数据拟合工具，可从数据层面寻找输入输出之间的非线性关系，为数据处理与分析提供了新的手段。 基于以上背景，本文提出采用机器学习手段进行混凝土结构承载力和状态预测方法。该方法是一种数据驱动的结构性能计算评估方法，借助机器学习算法高效准确的优势，建立高效精确、多参数、多数据类型的混凝土结构数据分析模型。 本文针对不同类型数据建立机器不同学习模型，选取传统方法难以处理的构件抗剪计算与结构整体健康状态评价问题作为案例，探讨了建立分析处理传统数据和文本数据的一般机器学习模型的可行性，最后基于机器学习可解释性方法为模型预测结果提供了可信度。主要工作和成果如下： （1）基于机器学习算法建立有效的传统数据分析模型。具体地，首先建立钢筋混凝土深梁的抗剪承载试验样本数据库，综合考虑材料性质与几何参数等抗剪影响因素；再选择270个样本进行特征处理，输入特征包括材料属性、几何尺寸、加载位置等，以抗剪承载力真实值作为输出；之后基于Python语言编写程序，建立集成学习机器学习模型；最后使用该模型预测深梁抗剪承载力，并将模型预测结果与经验公式计算结果进行对比。结果表明，机器学习模型预测精度达到90%，与经验公式相比具有更高的精确度，更小的误差，验证了混凝土结构数字化数据分析的可行性。。 （2）结合自然语言处理技术，基于机器学习算法建立有效的文本数据分析模型。具体的，首先基于263个桥梁病害文本样本，建立病害文本-健康状态等级数据库；再使用NLP技术及工程经验完成病害文本的分词、特征处理、向量转换工作，实现病害关键词序列的信息转化；最后以文本向量作为输入，以桥梁健康评价等级作为输出，训练机器学习模型。结果显示该模型分类效果能达到90%准确度，验证了文本类型数据处理分析的可行性。 （3）基于已有研究结果分析机器学习模型预测的可解释性。具体的，使用Shap方法在数据集层面上定量计算剪力墙抗剪影响参数对抗剪承载力的贡献，在单个样本与整体样本的角度分别分析了各参数的shaply值，结果符合一般研究结论，并探讨了参数之间的交叉影响，同时使用SHAP方法定量计算了文本分类任务中关键词的shaply值，结果显示SHAP方法能对病害文本分类模型作出一定程度的解释。
NETL