張書穎,陳適之,韓萬水,吳 剛
(1. 長安大學公路學院,西安 710064;2. 東南大學土木工程學院,南京 210096)
隨著公路橋梁服役年限增加,上部交通荷載噸位不斷上升,大量在役混凝土橋梁性能不可避免的發(fā)生退化,導致可靠度降低,形成了巨大的安全隱患。因此為確保在役橋梁安全,研發(fā)相應的高效加固方法意義非凡。
FRP 材料具有輕質(zhì)高強、耐久性好等優(yōu)點[1-2],且施工方便,廣泛應用于鋼筋混凝土(reinforced concrete, RC)結構加固[3-5]?,F(xiàn)有FRP 加固RC 梁方式主要包括外貼式[6-7]、端錨式[8-9]和嵌入式[10-11]等。加固后RC 梁的抗彎承載力受到包括梁體截面尺寸、混凝土、鋼筋、FRP 材料性能、FRP 截面面積及加固形式等諸多因素影響,加固后的梁體也存在多種潛在破壞模式,致使加固后RC 梁抗彎承載力預測要考慮的情況復雜且參數(shù)眾多[12-13]。已有的理論公式在實際應用中過于繁瑣且存在較大誤差,導致無法基于既有RC 規(guī)范對FRP 加固后橋梁抗彎承載力進行準確設計評估[14]。為研究FRP 加固后RC 梁性能,建立相應的抗彎承載力預測模型,過去幾十年間,國內(nèi)外學者們已開展了大量試驗研究,涉及多種FRP 加固方式[15-17]。
目前,針對工程中最常用的外貼式加固,我國出臺了相關技術標準進行加固后RC 梁承載力計算[18],此外,有學者在大量試驗研究的基礎上,考慮多種破壞模式,對加固后RC 梁受力狀態(tài)進行理論分析,提出了外貼式FRP 加固RC 梁的抗彎承載力計算公式[19-20]。對于嵌入式加固,研究人員在RC 梁抗彎承載力計算公式上進行改進,提出了FRP 嵌入式加固梁抗彎承載力計算公式,并通過試驗進行驗證[21-22]。而對于端錨式的加固方式,多使用外貼式加固后梁抗彎承載力預測模型進行簡化計算[18]。此外,針對不同的FRP 加固方式,統(tǒng)一的計算模型仍較為缺乏,導致設計計算過程繁瑣,不利于工程使用,且現(xiàn)有理論預測模型多基于力學簡化假設,在應用中預測精度往往不穩(wěn)定,泛化能力有限[14]。因此,亟需建立一種適用于多種加固方式高效準確的FRP 加固鋼筋混凝土梁抗彎承載力預測模型。
近年來機器學習方法逐漸興起[23-24],它可以基于既有實測數(shù)據(jù),通過訓練學習數(shù)據(jù)內(nèi)的深層規(guī)律得到可靠的預測模型,并表現(xiàn)出良好的泛化性能[25-26],吸引了大量研究人員的關注[27-28],被廣泛應用于工程領域中[29-30]。目前,已有學者將機器學習算法應用于混凝土構件基本力學性能預測[31-32]。針對梁的抗彎承載力預測,有研究人員使用神經(jīng)網(wǎng)絡等機器學習算法進行預測,并取得了較好的效果[33-34]。Naser 嘗試基于人工神經(jīng)網(wǎng)絡和遺傳算法建立FRP 加固梁抗彎承載力的顯式預測公式,并對公式進行了驗證[14]。但該研究只建立了外貼式和嵌入式兩種加固方式的統(tǒng)一計算公式,無法用于另一種常見的端錨式加固方式。同時該研究最終使用顯式函數(shù)擬合FRP 加固RC梁抗彎承載力,得到的計算公式復雜,計算過程繁瑣,不利于實際應用,一定程度上也損失了機器學習預測模型的精度。
在此背景下,為提升FRP 加固RC 梁抗彎承載力預測的便利性和準確性,本文利用集成學習算法XGBoost,基于文獻中收集的既有FRP 加固RC 梁試驗樣本數(shù)據(jù)集,建立起統(tǒng)一的FRP 加固RC 梁抗彎承載力預測模型,可同時適用于外貼式、端錨式以及嵌入式等不同的FRP 加固方式。文章具體內(nèi)容如下:第一部分對既有FRP 加固方法及收集的樣本集進行說明;第二部分對選用的集成學習算法XGBoost 進行介紹;第三部分通過訓練樣本集,建立基于XGBoost 的FRP 加固RC梁抗彎承載力預測模型,隨后在測試樣本集上與基于SVR 和ANN 兩種典型機器學習算法建立的預測模型進行橫向對比,同時分析了不同加固方式下的模型精度,驗證本文提出模型的精度和泛化能力,最后分析了輸入?yún)?shù)的特征重要性,說明了該模型的合理性。
與傳統(tǒng)的工程材料相比,F(xiàn)RP 材料具有輕質(zhì)高強、耐腐蝕、耐久性好、易施工等優(yōu)點。
由于FRP 材料的這些優(yōu)異性能,它被廣泛應用于加固既有RC 橋梁。目前工程上常見的加固方式包括:① FRP 外貼式加固,將FRP 布或板材外貼在梁底部;② FRP 端錨式加固,在FRP 初步固定在梁底的基礎上,兩端使用鋼板錨或U 型箍固定;③ FRP 嵌入式加固,將FRP 筋或板材嵌入梁上預先開好的槽中,向槽內(nèi)注入粘結材料使FRP與梁共同受力。三種加固方式如圖1 所示。
圖1 FRP 加固RC 梁示意圖Fig. 1 RC beams strengthened with FRP
通過搜集既有FRP 加固相關文獻,建立的數(shù)據(jù)集包含153 組試驗數(shù)據(jù)(數(shù)據(jù)來源見參考文獻[8 - 10, 15 - 17, 35 - 66])。其中包括42 組FRP 外貼式加固樣本、58 組FRP 端錨式加固樣本以及53 組FRP 嵌入式加固樣本,破壞方式涵蓋受壓區(qū)混凝土壓潰、粘結破壞、FRP 拉斷以及FRP 剝離破壞等。
基于既有研究,影響FRP 加固RC 梁抗彎承載力的因素,除梁截面尺寸、鋼筋強度和配筋率等與普通RC 梁相同的因素外,還包括FRP 材料性能及用量等因素。因此,本次承載力預測模型選定的輸入?yún)?shù)包括:混凝土立方體抗壓強度fc、鋼筋屈服強度fy、FRP 材料抗拉強度ff、FRP 材料彈性模量Efr、縱向鋼筋配筋率rs、FRP 材料配布率rf、梁寬b、梁高h。模型輸出為FRP 加固RC梁破壞時跨中彎矩M。
其中FRP 材料配布率rf計算方法如下式:
式中:Af為FRP 材料橫截面面積;b為RC 梁的寬度;hf為FRP 中心距離梁頂?shù)木嚯x。
表1 為數(shù)據(jù)集中各項輸入輸出參數(shù)的統(tǒng)計特征,圖2 展示了數(shù)據(jù)集中輸入?yún)?shù)與FRP 加固RC 梁的抗彎承載力之間的關系。綜合二者可以看到,數(shù)據(jù)集離散程度大、取值涵蓋范圍廣,同時各參數(shù)分布較為均勻,因而可為建立基于數(shù)據(jù)驅動的抗彎承載力預測模型提供可靠的數(shù)據(jù)基礎。
表1 FRP 加固樣本集參數(shù)統(tǒng)計特征Table 1 Statistical characteristics of FRP strengthened sample parameters
圖2 FRP 加固后承載力與輸入?yún)?shù)關系Fig. 2 Variation of the bearing capacity with the input parameters after FRP strengthened
機器學習算法可以從數(shù)據(jù)中自適應學習輸入、輸出間的映射關系,相較于傳統(tǒng)經(jīng)驗公式擬合擁有更高的識別精度。而集成學習作為機器學習的延伸,通過有機集成多個性能各異的基學習器來完成分類或回歸任務,相比于單個機器學習算法,具有更高精度及泛化能力[67]。
極限梯度提升樹(extreme gradient boosting,XGBoost)算法作為目前集成學習算法的代表,以決策樹作為基學習器,通過整合多個決策樹的預測結果得到最終輸出結果[68],具體如下式:
式中:pi為第i個目標的預測值;K為樹的數(shù)目;jz為樹結構和樹葉權重函數(shù),每個jz對應一個獨立的樹模型;J為決策樹的值域。
XGBoost 算法的基本思想是順序學習,即將當前決策樹與當前已集成決策樹的殘差進行擬合,隨后將新生成的決策樹加入算法序列中從而降低模型整體殘差[69]。其目標函數(shù)由損失函數(shù)項和正則項組成。損失函數(shù)描述了算法預測偏差,正則項的作用在于抑制算法復雜度,防止過擬合。XGBoost 算法的目標函數(shù)可表示為:
式中:Obj為目標函數(shù);N為總樣本量;l(yi,pi)為損失函數(shù)即目標預測值與實測值間的差值;yi為第i個目標的實測值;Ω為決策樹的復雜度。
訓練目標為最小化目標函數(shù),將損失函數(shù)泰勒展開至2 階,令第t輪迭代得到的目標函數(shù)導數(shù)為0,即得到目標函數(shù)最小值,相應得到最優(yōu)算法。
按照如圖3 所示工作流程,建立出基于XGBoost的FRP 加固RC 梁抗彎承載力預測模型。具體說明如下:
圖3 基于XGBoost 的承載力預測模型建立流程Fig. 3 Flowchart of developing a XGBoost-based bearing capacity prediction model
步驟1. 數(shù)據(jù)集劃分。按照8∶2 比例將數(shù)據(jù)集劃分為訓練集和測試集,得到的訓練集包括122組數(shù)據(jù),測試集包括31 組數(shù)據(jù)。
步驟2. 模型訓練?;谟柧毤瘜GBoost 進行訓練,應用交叉驗證和網(wǎng)格搜索策略進行超參數(shù)優(yōu)化,訓練以平均絕對誤差MAE(mean absolute error)為優(yōu)化目標,最終得到全局最優(yōu)超參數(shù)組合下的預測模型。其中,交叉驗證是在訓練集上進一步劃分出訓練集和驗證集,多次循環(huán)替換訓練集訓練模型,根據(jù)多次結果的預測精度均值評估模型預測效果,減小由于樣本隨機抽取導致的偏差影響;網(wǎng)絡搜索使用窮舉法將各超參數(shù)取值進行組合,訓練選取表現(xiàn)最優(yōu)的超參數(shù)組合,以避免選擇的參數(shù)組合為局部最優(yōu)組合。
步驟3. 性能評估?;跍y試集對步驟2 得到的模型進行檢驗,模型預測精度通過擬合優(yōu)度R2、均方根誤差RMSE(root mean squared error)以及平均絕對誤差MAE等指標進行量化衡量。
擬合優(yōu)度R2代表回歸結果對實測值的擬合程度,越接近于1 則代表回歸結果的擬合程度越好。計算式如下:
均方根誤差RMSE反映預測值與實測值差異程度的度量,越小則模型精度越高,計算式如下:
平均絕對誤差是預測值與實測值間絕對誤差的平均值,反映預測值誤差的實際情況,越小則模型精度越高,計算式如下:
以上各式中:ym為樣本均值;n為樣本數(shù)量。
通過上述流程得到可用于FRP 加固RC 梁抗彎承載力預測的XGBoost 模型,使用時提供8 項輸入?yún)?shù),模型即可預測加固后梁承載力。
訓練得到基于XGBoost 的FRP 加固RC 梁抗彎承載力預測模型超參數(shù)組合如表2 所示。
表2 XGBoost 參數(shù)Table 2 Parameters of XGBoost
為對比基于XGBoost 的承載力預測模型精度表現(xiàn),這里選用機器學習代表性算法SVR 和ANN通過相同的數(shù)據(jù)集建立起抗彎承載力預測模型。
SVR 通過核函數(shù)將低維數(shù)據(jù)非線性映射到高維特征空間,然后在高維特征空間內(nèi)求取回歸函數(shù)。使用同樣的網(wǎng)格搜索法和交叉驗證策略優(yōu)化SVR 中超參數(shù):懲罰系數(shù)C和核函數(shù)參數(shù)γ,優(yōu)化過程如圖4(a)所示。最終選定超參數(shù)C=1000,γ=0.1。
ANN 包括輸入層、隱藏層和輸出層三部分,每層神經(jīng)元可以接收到前一層所有神經(jīng)元的信號,并產(chǎn)生信號輸出到下一層,信號從輸入層到輸出層做單向傳播,整個網(wǎng)絡中間無反饋。設置一層隱藏層,同樣使用網(wǎng)格搜索法和交叉驗證策略優(yōu)化隱藏層神經(jīng)元個數(shù)n和初始學習率α,圖4(b)為參數(shù)優(yōu)化過程,最終選定超參數(shù)n=400,α=0.15。
圖4 網(wǎng)格搜索中SVR 和ANN 算法的驗證結果Fig. 4 Validation results of SVR and ANN under grid search
圖5 為三種模型的預測值與實測值對比結果。從中可以直觀地看出,相比于SVR 和ANN,基于XGBoost 的抗彎承載力預測值更為集中的落在±10%的誤差限內(nèi),落在±20%范圍內(nèi)的比例也明顯更高。可見,基于XGBoost 算法的FRP 加固梁抗彎承載力預測模型對樣本的預測效果最好。
圖5 不同模型擬合結果Fig. 5 Fitted result graphs of different models
表3 列出了三種模型在R2、RMSE以及MAE上對比結果。從表中可以進一步看到,基于XGBoost算法的R2達到0.9417,明顯高于SVR 的0.8664和ANN 的0.8786,分別提升了8.00%及6.70%,對樣本的擬合程度最好。同時,相比于SVR 和ANN,XGBoost 的RMSE分別降低了33.94%和30.72 %,MAE分別降低了32.38%和30.51%,可見XGBoost 的預測值與實測值差異最小,預測精度明顯優(yōu)于SVR 和ANN。
表3 不同模型評估指標Table 3 Evaluation of different models
圖6 展示了三種加固方式下基于XGBoost 的承載力預測模型的預測值與實測值對比結果。從圖中可以直觀的看到,外貼式、端錨式和嵌入式三種情況下大部分預測值均落入±10%的誤差限內(nèi),對于外貼式和端錨式加固,少量超出10%的預測值也均落入±20%誤差限內(nèi),嵌入式情況下,絕大多數(shù)超出10%的預測值也落入±20%的誤差限內(nèi),可見預測模型在外貼式、端錨式和嵌入式三種FRP 加固方式上均表現(xiàn)出較高精度。
圖6 不同加固方式擬合結果Fig. 6 Fitted result graphs of different strengthening methods
表4 列出了三種加固方式下基于XGBoost 的承載力預測模型在R2、RMSE以及MAE上的對比結果。表中可以進一步看到,外貼式、端錨式和嵌入式加固的R2分別達到0.9472、0.9631 和0.9278,對樣本擬合均較為良好。在RMSE和MAE指標上,端錨式誤差最小,其次為外貼式,嵌入式最弱。整體而言,三種加固方式抗彎承載力預測效果均較為良好,其中,外貼式和端錨式的預測效果最為優(yōu)良,嵌入式稍弱。
表4 不同加固方式評估指標Table 4 Evaluation of different strengthening methods
為證明基于XGBoost 的FRP 加固RC 梁抗彎承載力預測模型的合理性,本節(jié)使用Permutation Importance(排列重要性)進行特征重要性分析。
在針對某一輸入特征進行重要性計算時,先將該列特征取值隨機打亂并輸入到預測模型中,得到新的預測輸出。隨后通過計算新的預測值與原預測值間的差值得到該參數(shù)的重要性。通過循環(huán)打亂各輸入?yún)?shù),即可得到所有參數(shù)的特征重要性。
圖7 即為據(jù)此得到的8 個輸入?yún)?shù)的特征重要性??梢钥闯?,各參數(shù)的特征重要性均有一定程度的波動,但重要性排序穩(wěn)定。其中梁高、梁寬和縱向鋼筋配筋率對抗彎承載力影響最大。相比之下,F(xiàn)RP 材料配布率、鋼筋屈服強度、混凝土立方體抗壓強度、FRP 材料抗拉強度及彈性模量的特征重要性值較小??梢奆RP 各加固參數(shù)并不是RC 梁承載力的決定性的因素,該現(xiàn)象是合理的。因為FRP 加固的作用只是在鋼筋混凝土梁原有承載力的基礎上提升承載力,起決定性作用的仍是初始梁的參數(shù)[51,70]。此外,三個FRP 相關參數(shù)中,配布率是影響加固效果的最重要因素,F(xiàn)RP 抗拉強度和FRP 彈性模量影響程度均小于配布率,二者大致相等,這也與相關FRP 加固混凝土梁試驗結果相吻合[9,63]。
圖7 基于XGBoost 的預測模型中參數(shù)的特征重要性Fig. 7 Feature importance of the parameters in the XGBoost based prediction model
本文建立了基于集成學習XGBoost 算法的FRP 加固鋼筋混凝土梁抗彎承載力預測模型,與基于SVR 和ANN 的模型進行精度對比,對不同加固方式下的預測精度進行了分析,并對模型進行了特征重要性分析,得出以下結論:
(1)基于XGBoost 的承載力預測模型展現(xiàn)出了較高的預測精度。在基于既有試驗數(shù)據(jù)建立的測試樣本集上,該模型的擬合優(yōu)度達到0.9417。
(2)基于集成學習算法XGBoost 的承載力預測模型精度遠優(yōu)于基于傳統(tǒng)機器學習算法SVR 和ANN 的預測模型。與基于SVR 和ANN 的模型相比,基于XGBoost 的模型擬合優(yōu)度分別提升了8.00%及6.70%,均方根誤差分別降低了33.94%和30.72%,平均絕對誤差分別降低了32.38%和30.51%,可見性能提升明顯。
(3)基于XGBoost 的承載力預測模型可以統(tǒng)一三種加固方式下的承載力預測模型。該模型在外貼式、端錨式和嵌入式加固方式下擬合優(yōu)度分別達到0.9472、0.9631 和0.9278,精度表現(xiàn)接近,均較為優(yōu)良。
(4)在說明預測模型的準確性后,通過特征重要性分析,證明了該模型的合理性。其中梁高、梁寬和縱向鋼筋配筋率對RC 梁的抗彎承載力影響最大。三個FRP 加固相關參數(shù)中,配布率對加固效果影響最大,F(xiàn)RP 抗拉強度和彈性模量影響程度均小于配布率,二者大致相等。
(5)該預測模型具有相當?shù)姆夯芰?,可以用于FRP 加固RC 梁的承載力預測,后續(xù)研究可以通過擴充數(shù)據(jù)集不斷提升模型精度,并進一步在實際工程中進行驗證,從而向橋梁維養(yǎng)決策提供參考。