基于集成学习的腐蚀钢筋混凝土柱主骨曲线预测（基于实验数据库）

为何老化混凝土柱很重要

我们日常依赖的许多桥梁和建筑都由钢筋混凝土柱支撑，随着年代增长，这些柱内的钢筋会在不显眼中锈蚀。融雪盐、海雾和污染的空气会缓慢侵蚀埋在内部的钢材，削弱这些支撑构件，而在地震等极端荷载作用时它们正可能需要承受巨大应力。本文提出了一种利用大量试验数据和现代机器学习方法来预测受损柱在强震作用下表现的新途径，帮助工程师判断何时修复、加固或更换构件。

锈蚀如何改变强度演变

当混凝土柱内的钢筋发生腐蚀时，生成的锈蚀体积比原金属更大。这种膨胀会引发周围混凝土开裂，起初表现为细小的内部裂缝，随后发展为可见的裂缝和剥落。同时，钢筋本身的截面、强度和延性下降，与混凝土的粘结也被削弱。在类似地震的往复荷载下，健康的柱在力—位移图上往往绘出宽而圆润的回路，显示出良好的耗能能力。相比之下，腐蚀柱则呈现更窄、收口的回路，并在首次屈服后强度更快下降，表明行为趋向脆性、容错性降低，结构更易发生倒塌。

从零散试验到统一的大图景

全球研究者在不同实验室对单个腐蚀柱进行了大量试验，涵盖尺寸、钢筋布置、材料、腐蚀程度和加载条件的广泛变化。本研究将200个此类试件汇集成一个实验数据库，覆盖了真实的柱几何、钢筋与混凝土强度、轴向荷载以及主筋和箍筋的实测腐蚀范围。作者没有将每根柱的行为简化为若干理想点，而是提取了完整的主骨曲线——沿侧向位移追踪侧向抗力如何增长、达到峰值并随后衰减的平滑包络线。随后，他们将这些测得的曲线作为数据驱动模型的目标，让模型直接从试验中学习，而非依赖预先选定的公式。

教机器‘识别’损伤

研究团队训练了几种集成学习方法——由大量小决策树共同投票的模型族——来预测每根柱主骨曲线上关键阶段：首次屈服强度、峰值强度以及严重破坏后的残余强度。他们将数据库的一部分用于训练，保留其余部分用于测试，并通过贝叶斯搜索调优模型，使其捕捉普遍模式而不记忆单个试件。在所有测试的方法中，极端梯度提升（XGBoost）模型表现最为稳定，在屈服、峰值和残余阶段都取得较高精度，并且关键地能重现峰后迅速软化的特征——这是更简单、理想化模型常常遗漏或低估的。

看清哪些细节最重要

为超越“黑箱”预测，作者应用了一种来自博弈论的技术称为SHAP，用以衡量每个输入因子对预测强度的推动或抑制作用。他们发现，基本形状与比例——例如剪跨比和截面总深度——以及钢筋退化后的强度，在柱首次屈服和达到峰值时最为关键。随着损伤发展，与约束和破坏模式相关的特征变得更重要，反映出裂缝、压碎和钢筋屈曲如何逐步取代单纯几何效应。此类洞见让工程师能判断某根柱的弱点主要源自大轴向荷载、差的构造细节，还是严重腐蚀，从而指导更有针对性的加固措施。

对日常安全意味着什么

从实用角度看，研究表明：经过精心训练且透明的机器学习模型可以利用可测量的属性和腐蚀指标可靠地重构腐蚀混凝土柱的整个强度—漂移路径。与较旧的理想化主骨公式相比，这种新方法更好地捕捉了峰值后强度快速下降的过程，尤其是在严重腐蚀的情形下，残余承载力常被高估的情况更容易被纠正。这为桥梁和建筑所有者提供了更清晰的视角，了解老化支撑件还剩多少抗震储备，并帮助他们在下一次大地震来临前优先安排维修，从而把零散的实验数据转化为对现实决策有力的工具。

引用: Sadeghi, M., Poorahad, P., Shiravand, M.R. et al. Ensemble learning-based prediction of the backbone curve for corroded reinforced concrete columns using experimental database. Sci Rep 16, 9367 (2026). https://doi.org/10.1038/s41598-026-40488-5

关键词: 钢筋混凝土腐蚀, 抗震性能, 土木工程中的机器学习, 主骨曲线预测, 老化基础设施