比较机器学习与深度学习方法在预测板柱节点抗震响应中的表现

为何在地震中更安全的楼面很重要

许多城市建筑采用直接承托在柱上的平整混凝土楼板，不设深梁作为支撑。在地震中，楼板与柱相交的节点可能会突然失效，导致楼层下沉并引发局部或连锁性倒塌。本文探讨现代数据驱动工具如何帮助工程师更好地预测这些关键节点在强震下的表现，从而使建筑设计与验算更有把握。

楼板节点如何会突然失效

在平板楼结构中，柱子既要传递竖向重力，也要把地震产生的侧向力传入楼板。如果应力在柱周围集中得过高，楼板可能像压纸的图章一样在柱周围被冲穿。这种脆性破坏几乎没有预警，可能触发进一步的倒塌。与此同时，整栋建筑会发生摆动，用称为漂移比的度量来描述，表示结构相对于高度的侧向位移。局部节点的冲切弯矩和整体漂移都受多种因素控制，包括楼板厚度、柱截面尺寸、配筋量、混凝土强度以及地震荷载的作用方式等。

将既有试验与计算机作为学习工具

作者汇集了217项在实验室条件下、模拟地震作用下对板柱连接进行的详尽试验数据。每个试验都包含几何尺寸、材料强度、配筋细节、施加的重力荷载、加载类型以及破坏时测得的冲切弯矩和漂移比。他们将这些数据分为训练集与测试集，以便在未见样本上评估模型的预测能力。建模前，团队对数据进行了清洗、缺失值处理、数值范围缩放，并使用箱线图和散点图等可视化工具检查各变量与破坏结果的关系。

比较多种让计算机“学习”的方法

为找出表现最好的技术，研究比较了多种机器学习方法与若干深度学习方法。机器学习组包括简单线性模型、为防止过拟合而引入正则化的变体，以及更灵活的基于决策树的集成方法如随机森林、梯度提升和XGBoost。深度学习组采用了在图像或序列分析中常见的神经网络结构，包括卷积网络、循环网络、长短期记忆网络（LSTM）以及结合卷积与循环层的混合模型。与图像问题不同，这些深度网络接收的是由工程数值构成的结构化表格数据，按一维序列形式输入网络。

模型对强度与漂移的揭示

在预测板柱节点冲切弯矩方面，表现最佳的是由大量决策树构成的机器学习模型。梯度提升在未见测试集上取得了最高的准确性，其次是XGBoost和随机森林。这些模型捕捉到了决定局部节点强度的几何、材料与荷载之间复杂的非线性关系。在预测反映整体摆动的漂移比时，随机森林领先于其他方法，尽管所有模型在该任务上的表现都更困难、散点更多。深度学习模型，尤其是混合型，并未在这一相对较小的表格型数据集上超越基于树的方法，且计算成本显著更高。

对更安全建筑设计的意义

对非专业读者而言，关键结论是：精心选择的机器学习工具已能为工程师提供更准确的楼板柱节点破坏时机与方式的估计，尤其是在局部冲切强度预测上，在整体漂移预测上亦有一定帮助。本研究中，传统的基于决策树的机器学习在可用数据条件下优于更流行的深度学习网络，既提高了准确性又降低了复杂性。作者建议将此类模型作为现有设计规范之外的决策辅助工具，而不是替代工程判断。随着更大规模的数据集与更细化的特征，数据驱动方法有望成为平板楼建筑常规抗震评估的实用组成部分。

引用: El-Mandouh, M.A., Youssef, H., Elborlsy, M.S. et al. Comparing machine learning and deep learning approaches to predicting the seismic response of slab-column connections. Sci Rep 16, 14718 (2026). https://doi.org/10.1038/s41598-026-50962-9

关键词: 抗震设计, 平板楼结构, 机器学习, 冲切破坏, 漂移比