基于BO-SVM算法的钢板混凝土墙高速冲击损伤模式预测模型.pdf

第4 4卷第5期V o l.4 4 N o.5 2 0 2 3青 岛 理 工 大 学 学 报J o u r n a l o f Q i n g d a o U n i v e r s i t y o f T e c h n o l o g y 基于B O-S VM算法的钢板混凝土墙高速冲击损伤模式预测模型陈沛涵,赵唯以*(青岛理工大学 土木工程学院,青岛 2 6 6 5 2 5)摘 要:钢板混凝土墙(S C墙)在冲击作用下的局部损伤估计是在结构设计初始阶段需要重点考虑的任务之一。在面临导弹冲击荷载时,工程中常采用经验公式去判断其是否造成贯穿,但这些公式大多基于经验得来,其计算结果往往偏于保守。为快速、准确地获得导弹冲击下S C墙的局部损伤模式,利用贝叶斯优化(B O)的支持向量机(S VM)算法和S MO T E算法,将S C墙的局部损伤模式分为侵入、凸起、贯穿3类进行预测,应用P y t h o n语言建立基于B O-S VM的S C墙局部损伤预测模型,并与未贝叶斯优化下的S VM(有和没有过采样)模型、K N N模型、R F模型进行对比,研究了提出模型的预测能力。研究结果表明,提出的B O-S VM模型可以很好地预测S C墙的局部损伤模式,且预测速度快,精度高,为S C结构抗冲击设计提供了新的解决方案。关键词:钢板混凝土组合墙;高速冲击;局部损伤;支持向量机;贝叶斯优化;过采样中图分类号:T U 3 9 8+.9 文献标志码:A 文章编号:1 6 7 3-4 6 0 2(2 0 2 3)0 5-0 0 1 1-0 9收稿日期:2 0 2 2-0 7-1 2基金项目:国家自然科学基金青年科学基金资助项目(5 2 0 0 8 2 1 9)作者简介:陈沛涵(1 9 9 8-),男,河南三门峡人。硕士,研究方向为组合结构。E-m a i l:9 4 9 4 8 3 4 4 3 q q.c o m。*通信作者:赵唯以(1 9 8 9-),男,吉林长春人。博士,副教授,主要从事组合结构方面的研究。E-m a i l:z h a o w e i y i q u t.e d u.c n。P r e d i c t i o n m o d e l o f h i g h s p e e d i m p a c t d a m a g e m o d e o f s t e e l-p l a t e c o m p o s i t e w a l l b a s e d o n B O-S VM a l g o r i t h mC H E N P e i h a n,Z HA O W e i y i*(S c h o o l o f C i v i l E n g i n e e r i n g,Q i n g d a o U n i v e r s i t y o f T e c h n o l o g y,Q i n g d a o 2 6 6 5 2 5,C h i n a)A b s t r a c t:T h e l o c a l d a m a g e e s t i m a t i o n o f s t e e l-p l a t e c o m p o s i t e w a l l(S C w a l l)u n d e r i m p a c t i s o n e o f t h e k e y t a s k s t o b e c o n s i d e r e d i n t h e i n i t i a l s t a g e o f s t r u c t u r a l d e s i g n.I n t h e f a c e o f m i s s i l e i m p a c t l o a d,e m p i r i c a l f o r m u l a s a r e o f t e n u s e d i n e n g i n e e r i n g t o d e t e r m i n e w h e t h e r i t c a u s e s p e r f o r a t i o n,b u t m o s t o f t h e s e f o r m u l a s a r e b a s e d o n e x p e r i e n c e,a n d t h e c a l c u l a t i o n r e s u l t s a r e o f t e n c o n s e r v a t i v e.I n o r d e r t o q u i c k l y a n d a c c u r a t e l y o b t a i n t h e l o c a l d a m a g e m o d e o f S C w a l l u n d e r m i s s i l e i m p a c t,t h e s u p p o r t v e c t o r m a c h i n e(S VM)a l g o r i t h m o f B a y e s i a n o p t i m i z a t i o n(B O)a n d S MO T E a l g o r i t h m a r e u s e d i n t h i s s t u d y t o p r e d i c t t h e l o c a l d a m a g e m o d e o f S C w a l l.T h e l o c a l d a m a g e m o d e o f S C w a l l i s d i v i d e d i n t o p e n e t r a t i o n,b u l-g i n g a n d p e r f o r a t i o n.T h e P y t h o n l a n g u a g e i s u s e d t o e s t a b l i s h t h e l o c a l d a m a g e p r e d i c t i o n m o d e l o f S C w a l l b a s e d o n B O-S VM.T h e p r e d i c t i o n a b i l i t y o f t h e p r o p o s e d m o d e l i s s t u d i e d b y c o m p a r i n g i t w i t h t h e S VM(w i t h a n d w i t h o u t o v e r s a m p l i n g)m o d e l,K N N m o d e l a n d R F m o d e l w i t h o u t B a y e s i a n o p t i m i z a t i o n.T h e r e s e a r c h r e s u l t s s h o w t h a t t h e p r o p o s e d B O-S VM 青 岛 理 工 大 学 学 报第4 4卷m o d e l c a n w e l l p r e d i c t t h e l o c a l d a m a g e m o d e o f S C w a l l,a n d t h e p r e d i c t i o n s p e e d i s f a s t a n d t h e p r e c i s i o n i s h i g h,w h i c h p r o v i d e s a n e w s o l u t i o n f o r t h e a n t i-i m p a c t d e s i g n o f S C s t r u c-t u r e.K e y w o r d s:s t e e l-p l a t e c o m p o s i t e w a l l;h i g h s p e e d i m p a c t;l o c a l d a m a g e;S VM;B a y e s i a n o p t i m i z a t i o n;o v e r s a m p l i n g钢板混凝土(S C)墙是由钢板和混凝土通过连接件连接而成的组合结构。S C墙的外部钢板代替了传统钢筋混凝土(R C)墙的钢筋,并通过连接件和内部素混凝土相连。这一结构充分发挥了钢材抗拉和混凝土抗压的性能,使其具有承载力高、密闭性好、施工便捷等优点。同时,S C墙的抗冲击性能也十分出色,相比R C墙,S C墙防止击穿所需厚度可大幅降低,因此在核电厂房、防护结构等工程中得到了广泛应用1。在导弹、飞机等的冲击作用下,结构可能发生局部损伤,甚至贯穿破坏。大量R C墙的高速冲击试验表明,即使墙体未发生贯穿,背冲击侧混凝土也会在冲击波的作用下开裂、飞射,严重威胁内部人员、设备的安全。而使用钢板包覆混凝土是一种有效的加固措施,WA L T E R等2、B A R R3、T S U B O T A等4的高速冲击试验表明,在背侧布置钢板可以有效防止混凝土震塌破坏,提高墙体的抗冲击性能。M I Z UN O等5-7对S C墙在飞机模型撞击作用下的受力性能进行了试验研究和数值模拟,与以往R C墙的试验结果相比,S C墙防止击穿所需的厚度可以降低3 0%。S A D I Q等8、L I U等9、B R UH L等1 0对M I Z UN O等的试验建立了L S-D Y N A有限元模型,并一致认为M a t_0 8 4(W i n f r i t h模型)可以更好地模拟混凝土在高速冲击下的力学行为。HA S H I MO T O 等1 1对1 2片R C墙、2 4片半S C墙以及4片S C墙在导弹撞击作用下的受力性能进行了试验研究,并基于能量原理提出了弹头速度与变形之间的计算式。研究结果表明,在不同的冲击速度下,半S C结构或S C结构的局部破坏表现为四种形式,如图 1所示:(a)冲击物侵入目标;(b)目标背冲击侧混凝土崩落造成钢板鼓起;(c)冲击物撕裂背侧钢板;(d)冲击物贯穿目标。图1 局部损坏效果1 1结构在高速冲击下的破坏机理较为复杂,因此在设计中多采用经验公式计算侵彻深度或冲击物贯穿结构的临界速度。例如,基于大量R C墙的试验现象和数据,已有多个计算侵入深度或是防止目标贯穿所需厚度的经验公式1 2。针对S C墙,B A R R3以等效配筋率考虑背侧钢板对结构抗冲击性能的贡献,提出了冲击物的穿透速度经验公式。WA L T E R等2、G R I S A R O等1 3将背侧钢板折算为一定厚度的混凝土,并按照R C墙计算防止穿透所需要的板厚。B R UH L等1 0根据已有文献中的高速冲击试验汇编了数据库,并在混凝土和钢板的穿透经验公式的基础上提出了S C结构抗冲击的三步设计法,该方法目前已被美国A I S C N 6 9 0 s 1-1 5规范1 4建议采用。K I M等1 5-1 7通过不同尺度S C墙的冲击试验对局部损伤模式进行了研究,结果表明三步设计法具有一定的保守性。上述研究对S C墙局部损伤的计算均采用了经验公式法,而这些经验公式所使用的传统拟合方法需要预先假定某种特定的非线性函数形式,再确定函数中的待定参数,其计算结果往往偏保守。B R UH L等1 0利用三步法对1 3 0组被导弹冲击的S C墙进行损伤判别,其中有6 1组未被穿透的试件被偏保守地预测为穿透,总体准确率仅为5 1.5%。面对这样的强非线性问题,使用机器学习方法具有一定的优势。本文基于贝叶斯优化(B O)和支持向量机(S VM)算法,建立了高速冲击下S C墙局部损伤模式的B O-S VM分类模型,并通过F 1得分、G-m e a n值、分类准确率评价模型的预测精度。研究结果表明,B O-S VM模型能够快速、准确地预测S C墙的冲击局部损伤模式,其预测精度优于传统计算方法,且优于K临近(K N N)和随机森林(R F)等其他常用机器学习算法。21第5期 陈沛涵,等:基于B O-S VM算法的钢板混凝土墙高速冲击损伤模式预测模型1 研究方法1.1 S VM算法S VM算法建立在V a p n i k-C h e r v o n e n k i s维理论和结构风险最小原理的基础上,能保证找到的极值解是全局最优解而非局部最小值。因此,S VM算法能够避免过拟合,对未知样本有较好的泛化能力,可以很好地解决工程中的分类问题,但S VM算法具有较多的超参数,且超参数的调整直接影响模型的分类准确率,需对超参数进行反复调试才能得到最优的S VM模型1 8。在现实问题中,输入参数和输出值之间通常具有高度的非线性。因此,需要利用非线性函数将数据映射到高维特征空间中,然后在高维特征空间中构建一个最优超平面,使所有数据点到该超平面的距离最大。超平面可以表示为f(x)=w(x)+b(1)式中:(x)为非线性映射函数;w为权重;b为偏置。如图2所示,在S VM模型中,假设f(x)与目标输出值y之间的差别绝对值大于时,均为预测正确。只有当误差小于时,才计算损失。-不敏感损失函数可表示为l(y,f(x)=0 y-f(x)y-f(x)-y-f(x)(2)为使所有数据点到超平面的距离大于一定的值,根据风险最小原理可得:m i n12w2+CNil(yi,f(xi)(3)式中:C为惩罚参数;N为训练集样本个数。由图2可知,超平面由-隔离带边缘上的数据点确定,因此这些点也称为支持向量。根据式(2)(3),对于确定的超平面,S VM模型的预测精度取决于落在-隔离带之外的数据点。引入松弛变量i,*i,则式(3)可改写为m i n12w2+CNi=1(i+*i)(4)限制条件为yi-f(xi)+if(xi)-yi+*ii,*i0 i=1,2,n (5)该优化问题的目标函数为二次函数,限制条件为线性不等式,可以构造L a g r a n g e函数,并转化为对偶问题,解得f(x)=Ns vi=1(i-*i)K(xi,x)+b(6)图2 S VM模型式中:Ns v为支持向量的个数;i,*i为L a g r a n g e乘子;K(xi,x)=(xi)(x)为核函数。使用核函数可以避免在高维空间中进行内积计算。常用的核函数包括线性核函数、多项式核函数、高斯径向基核函数等。1.2 K N N算法K N N是一种常用的有监督学习算法1 9,为了判断未知样本的类别,K N N算法按照某种距离模式对未知样本与训练样本之间的距离进行计算,选择与未知样本距离最小的k个样本作为其 k近邻,并根据未知样本的k个最近邻判断预测31青 岛 理 工 大 学 学 报第4 4卷样本的类别。K N N方法计算简单且易于实现,对处理不规则数据的分类问题具有足够精度,但该方法高度依赖数据样本的精度,若样本中存在错误数据,会直接影响其准确率。1.3 R F算法随机森林(R F)属于集成学习的一种2 0,其核心思想是以决策树为基学习器构建B a g g i n g集成,并在决策树的训练过程中引入随机属性选择。随机森林具有结构简单、容易实现、计算开销小等优点,但对于小样本数据或特征较少的数据,可能不能产生较好的分类。对于分类问题,其分类精度通常与基学习器的数量选择有关。R F算法除了可以进行分类外还可以对参数进行灵敏度分析,通过每个特征在随机森林中决策树上的贡献值从而比较不同特征对最终结果的贡献程度。1.4 贝叶斯优化算法贝叶斯优化(B O)算法是一种常用的模型超参数优化方法2 1。假设一组超参数的组合为X=x1,x2,xn,不同的超参数组合会使模型取得不同的效果,而贝叶斯优化的目的则是选择出使S VM模型效果最好的超参数。贝叶斯优化可以转化为如下问题:存在一个函数f(x),需要找到一个xX,使x*=a r g m i nxXf(x)(7)式中:x为超参数。由于并不能判断函数f(x)的凹凸性,所以需要基于序列模型求解问题,其算法如下:第一步:确定函数f(x)、超参数搜索空间X和采集函数S2 2。第二步:确定数据集D,该数据集中每一对数组表示为(x,y),x是一组超参数,y表示超参数对应的输出结果。第三步:对数据集D拟合得到模型M,并求出模型的具体函数表示。(y|x,D)=F I TMO D L E(M,D)(8)第四步:求出使S x,p 取得最大值所对应的变量点x(或x的集合),即xi=a r g m a xxXS(x,(y|x,D)(9)xi即为采集函数选择出的一组超参数。第五步:将xi代入函数f(x)中,得到输出值yi。第六步:更新数据集D。D=D(xi,yi)(1 0)第七步:返回第三步,继续选择超参数x,循环T次停止。1.5 S MO T E算法图3 S MO T E采样原理 为了解决数据集不平衡的问题,本文采用了S MO T E过采样技术。S MO T E算法是C HAW-L A等提出的一种过采样算法2 3,如图3所示,该算法将少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中,可有效解决少数样本量过少的问题,但是S MO T E算法在扩大数据规模的同时增加了模型训练的复杂度,会导致模型训练时间的增加。其生成新样本的过程如下:1)对于少数类样本集中每一个样本x,以欧氏距离为标准计算它到所有样本的距离,得到其k近邻。2)根据样本不平衡比例设置一个采样比例以确定采样倍率N。3)随机选择k近邻中的一个进行线性插值,进而合成少数类样本。其合成公式为41第5期 陈沛涵,等:基于B O-S VM算法的钢板混凝土墙高速冲击损伤模式预测模型xn e w=x+r a n d(0,1)x-y(1 1)式中:x为少数类样本;y为近邻样本。1.6 B O-S VM模型机器学习算法中的超参数往往决定着模型最终的性能,而传统的机器学习模型往往只能通过试错法来确定其超参数。本文提出的B O-S VM模型,主要通过B O算法优化S VM模型的3个超参数以及S MO T E算法平衡样本数据,所优化的3个超参数分别为K(K e r n e l)、C和G(G a mm a)。其中,K为决定S VM核函数类型的超参数;C为惩罚参数,影响着S VM分类器对数据分类的严格程度;G为选用R B F作为核函数后自带的一个参数,决定了数据映射到新的特征空间后的分布,当选用R B F以外的核函数时,不赋予G值。使用P y t h o n语言建立B O-S VM模型。如图4所示,B O-S VM模型的算法主要包含七个步骤:图4 B O-S VM模型建立过程第一步:收集高速冲击下S C墙局部损伤模式数据。第二步:对收集的数据进行5折交叉验证。在这一步骤中,S C墙数据被分为5个数据集,其中4个数据集用来训练,另1个数据集用来测试。整个交叉验证过程中,B O-S VM模型被训练和测试了5次。第三步:对划分的训练集进行S MO T E过采样。第四步:建立S VM模型作为基础模型。第五步:使用B O优化S VM。对过采样后的训练集进行训练,寻找效果最好的模型对应的超参数。这一步骤使用B O算法对S VM模型的K,C和G 3个超参数进行优化。其中,K的搜索范围为l i n e a r(线性核)、p o l y n o m i a l(多项式核)、r b f(高斯核)三种类型的核函数;C的搜索范围为0.0 0 1,1 0 0 0;G 的搜索范围为0.0 0 1,1 0 0 0。第六步:使用获得的超参数构建最终的B O-S VM模型,并在测试集上进一步测试模型效果。51青 岛 理 工 大 学 学 报第4 4卷第七步:从第二步开始重复该过程,其中交叉验证过程生成另一个训练测试集。1.7 模型评价指标本文使用准确率(A c c u r a c y)、F 1得分(F 1-s c o r e)和G-m e a n 3个指标来度量分类模型的性能。以上指标均需根据表1所示的样本混淆矩阵来进行计算。表1 混淆矩阵分类预测为侵入类的数量预测为鼓起类的数量预测为贯穿类的数量侵入类N1 1N1 2N1 3鼓起类N2 1N2 2N2 3贯穿类N3 1N3 2N3 31)准确率(A c c u r a c y)。准确率可以衡量模型的整体分类效果,准确率越接近1,分类效果越好,其计算公式如下:A=3i=1Ni i3i=13j=1Ni j1 0 0%(1 2)式中:A为准确率(A c c u r a c y)。2)F 1得分(F 1-S c o r e)。F 1-S c o r e2 4为查准率(P r e c i s i o n)和召回率(R e c a l l)的调和值。其中,P r e c i-s i o n为正确预测为某类占全部预测为某类的比例,R e c a l l为正确预测为某类占全部实际为某类的比例。F 1-S c o r e越接近1,分类效果越好,其计算公式如下:P=133i=1Ni iN1i+N2i+N3i1 0 0%(1 3)R=133i=1Ni iNi1+Ni2+Ni31 0 0%(1 4)F=21/P+1/R1 0 0%(1 5)式中:P为查准率(P r e c i s i o n);R为召回率(R e c a l l);F为F 1得分(F 1-S c o r e)。3)G-m e a n2 5是各类样本召回率的几何平均值。相对于其他指标,G-m e a n对判别模型在少数类别上的判别效果更敏感,只有当各类样本分类精度均较高时,G-m e a n才会较大。G-m e a n越接近1,分类效果越好,对于多分类问题,其计算公式如下:M=(3iNi iNi1+Ni2+Ni3)1/3(1 6)式中:M为各类样本召回率的几何平均值(G-m e a n)。2 数据收集本文在B R UH L等1 0汇编的1 3 0组样本组成的数据库基础上,增加了L E E等1 5、K I M等1 6-1 7和X U等2 6报道的试验样本。由于钢板撕裂破坏为冲击物恰好穿透试件且无残余速度的临界破坏模式,且该类别的试验样本较少,因此在研究中偏于保守地将其归类为贯穿破坏模式。同时,剔除仅含有前钢板的样本,最终数据库中共采集到1 6 3组样本。2.1 高速冲击试验数据库中的样本均为研究人员对钢板混凝土墙进行的高速冲击试验得到。如图5所示,冲击物由气枪射出,垂直射向钢板混凝土墙,通过高速摄像机记录整个碰撞过程。试验完成后,观察试件的局部变形和失效模式。表2提供了各研究人员通过高速冲击试验得到的3种损伤模式的样本数。61第5期 陈沛涵,等:基于B O-S VM算法的钢板混凝土墙高速冲击损伤模式预测模型图5 高速冲击试验装置由表2可知,最终采集到的1 6 3组试验样本共包含3个输出类别:侵入 4 0组样本;鼓起 7 5组样本;贯穿 4 8组样本。输入包含1 0个特征,输入特征见表3。表2 数据库试验结果汇总1 0,1 5-1 7 组 研究人员侵入鼓起贯穿总计A B D E L-K A D E R&F O U D A01 341 7B A R R 6091 5HA S H I MO T O01 992 8K O J I MA2002M I Z U N O 3025S U G A N O4015T S U B O T A1 02 263 8WA L T E R&WO L D E-T I N S A E 1 1041 5K I M01 672 3L E E3227X U1348总计4 07 54 81 6 3表3 训练模型的特征描述类别 描述特征导弹质量w/k gx1导弹撞击前的初始撞击速度v0/(ms-1)x2穿孔换算系数apx3导弹平均外径D/mmx4输入导弹当量直径d/mmx5导弹形状系数Nx6混凝土厚度Tc/mmx7后钢板厚度tp/mmx8混凝土抗压强度fc/M P ax9钢板屈服强度fy/M P ax1 0输出损伤程度:侵入;鼓起;贯穿。y2.2 数据预处理2.2.1 输入参数灵敏度分析从现有的试验数据中共采集到如表3所示的1 0个输入参数,输入过多对结果贡献程度较小的参数可能会导致建立的机器学习模型产生过拟合现象,而以往的研究并未具体讨论各个输入参数对最终结果的影响程度,因此使用R F算法对模型输入参数进行灵敏度分析,并剔除对结果影响极小或者无关的参数。图 6 模型各输入参数重要程度如图 6所示,根据R F算法分析得到的权重可知混凝土厚度Tc为影响S C墙损伤模式最重要的参数,其次,冲击初速度v0和混凝土抗压强度fc也是判断损坏模式的关键指标,这可以为高速冲击下的参数优化提供参考。同时,从图 6中可以看出,每个输入参数都对结果有明显影响,因此不对输入参数进行剔除。2.2.2 数据过采样从采集到的数据可以看出,各个类别的样本数量分布不均,损伤模式为侵入和贯穿的样本数明显少于损伤模式为鼓起的样本数。因对不平衡的数据集的分类预测会产生较大误差2 7,往往会使预测结果偏向多数类,故采用S MO T E采样算法2 8对侵入类和贯穿类数据进行过采样,为少数类别生成更多的数据。同时,使用交叉验证将数据集分为5个部分,其中1个数据集用于性能评估,剩余4个数71青 岛 理 工 大 学 学 报第4 4卷据集用于模型训练和选择,此过程有助于使模型产生更可靠的结果2 9。3 结果与讨论按照图4所示流程建立B O-S VM模型并与S VM(有过采样)模型、S VM模型、K N N模型和随机森林(R F)模型进行对比。为尽量降低模型误差,除B O-S VM模型以外的4个模型超参数均采用试错法进行选择。因此,由试错法选择的基础S VM模型K=r b f,C=2 0,G=4.6;在K N N模型中,邻居数k过小会导致过拟合,k过大会使整体模型变得简单,从而导致精度不够。经试错过程选择k_n e i g h b o r s=1 0,p=1;R F模型的决策树数目n t r e e=5 0 0。最终所提出的B O-S VM模型K=p o l y n o m i a l,C=5 4 6,其余超参数与基础S VM模型相同。3.1 F 1-S c o r e测试结果 5个模型的平均F 1-S c o r e结果见表4,可以看出B O-S VM模型的F 1-S c o r e为0.7 3,高于其他4个模型,这表明提出的B O-S VM模型具有较高的预测能力。表4 不同模型评价指标结果模型F 1-S c o r eG-m e a n值平均准确率/%B O-S VM0.7 3 0.7 3 7 4.2 3S VM(有过采样)0.6 0 0.6 0 6 2.5 8S VM0.6 0 0.5 5 6 5.6 4K N N0.5 5 0.4 8 6 1.9 6R F0.6 1 0.5 7 6 5.0 33.2 G-m e a n计算结果由表4可以看出,B O-S VM模型的G-m e a n值为0.7 3,高于其他4个模型。S VM(有过采样)模型的G-m e a n值为0.6 0,大于S VM模型的0.5 5,这说明S MO T E过采样增加了S VM模型对正负类样本的判别效果。可以看出,B O-S VM模型无论是对多数类还是少数类样本,都有较好的判别效果。3.3 准确率测试结果 由表4和图7可知,B O-S VM模型的平均分类准确率为7 4.2 3%,高于其他4个模型,表明取得最佳超参数的B O-S VM模型获得了较高的平均准确率。同时,S VM(有过采样)模型对于鼓起破坏模式预测精度低于S VM模型,但对于侵入类和贯穿类的预测精度均高于S VM模型,这是因为S MO T E过采样对少数类产生了一部分伪样本,从而影响其对多数类的判别,但也使S VM(有过采样)模型对少数类别预测的精度有所提高,使整个模型更加均衡。对比K N N模型和R F模型,R F模型的准确率优于S VM(有过采样)模型仅次于S VM模型,且R F模型对侵入类和贯穿类的预测精度较低,表明R F模型对少数类的预测效果较差。总的来说,尽管B O-S VM模型对鼓起类的预测精度略小于部分模型,但其平均精度仍然更高,且B O-S VM模型对3个损伤水平的准确性比其他模型更加均衡,这有助于更好地预测未知数据。4 结论1)本文提出的B O-S VM模型平均准确率达到7 4.2 3%,远优于传统的理论计算方法,优于包括未B O优化下的S VM(有和没有过采样)模型、K N N模型、R F模型在内的传统机器学习模型。2)B O方法和S MO T E算法成功达到寻找模型最佳超参数和平衡模型样本的目的,使B O-S VM模型在F 1-S c o r e值(0.7 3)和G-m e a n值(0.7 3)方面实现了更高的损伤预测能力。3)B O-S VM模型可用作实际设计中预测S C墙局部损伤水平的工具,特别是在初始设计阶段。4)利用随机森林算法初步分析了各输入参数对损坏模式影响的重要程度,为高速冲击下的参数优化81第5期 陈沛涵,等:基于B O-S VM算法的钢板混凝土墙高速冲击损伤模式预测模型提供参考。5)该研究仅限于考虑S VM模型的3个超参数,下一步应考虑对其他超参数优化以及更优秀的过采样技术提高模型性能。参考文献(R e f e r e n c e s):1 赵唯以,王琳,郭全全,等.双钢板混凝土组合结构抗冲击性能的研究进展J.钢结构(中英文),2 0 2 0,3 5(3):2 6-3 6.Z HA O W e i y i,WA N G L i n,G U O Q u a n q u a n,e t a l.R e s e a r c h a d v a n c e s o f i m p a c t r e s e s t a n c e o f s t e e l-c o n c r e t e c o m p o s i t e s t e u c t u r e sJ.S t e e l C o n s t r u c t i o n,2 0 2 0,3 5(3):2 6-3 6.2 WA L T E R T A,WO L D E-T I N S A E A M.T u r b i n e m i s s i l e p e r f o r a t i o n o f r e i n f o r c e d c o n c r e t eJ.J o u r n a l o f S t r u c t u r a l E n g i n e e r i n g,1 9 8 4,1 1 0(1 0):2 4 3 9-2 4 5 5.3 B A R R P.G u i d e l i n e s f o r t h e d e s i g n a n d a s s e s s m e n t o f c o n c r e t e s t r u c t u r e s s u b j e c t e d t o i m p a c tM.L o n d o n:S a f e t y a n d R e l i a b i l i t y D i-r e c t o r a t e,1 9 9 0.4 T S U B O T A H,K A S A I Y,K O S H I K A N,e t a l.Q u a n t i t a t i v e s t u d i e s o n i m p a c t r e s i s t a n c e o f r e i n f o r c e d c o n c r e t e p a n e l s w i t h a s t e e l l i n-e r u n d e r i m p a c t l o a d i n g,P a r t I:S c a l e d m o d e l i m p a c t t e s tC/P r o c e e d i n g s o f t h e 1 2 t h I n t e r n a t i o n a l C o n f e r e n c e o n S t r u c t u r a l M e-c h a n i c s i n R e a c t o r T e c h n o l o g y(S M i R T 1 2).S t u t t g a r t,1 9 9 3.5 M I Z UN O J,S AWAMO T O Y,Y AMA S H I T A T,e t a l.I n v e s t i g a t i o n o n i m p a c t r e s i s t a n c e o f s t e e l p l a t e r e i n f o r c e d c o n c r e t e b a r r i e r s a-g a i n s t a i r c r a f t i m p a c t,P a r t 3:A n a y l s e s o f f u l l-s c a l e a i r c r a f t i m p a c tC/P r o c e e d i n g s o f 1 8 t h I n t e r n a t i o n a l C o n f e r e n c e o n S t r u c t u r a l M e c h a n i c s i n R e a c t o r T e c h n o l o g y.2 0 0 5.6 M I Z UN O J,K O S H I K A N,T A N A K A E,e t a l.I n v e s t i g a t i o n o n i m p a c t r e s i s t a n c e o f s t e e l p l a t e r e i n f o r c e d c o n c r e t e b a r r i e r s a g a i n s t a i r c r a f t i m p a c t,P a r t 1:T e s t p r o g r a m a n d r e s u l t sC/P r o c e e d i n g s o f 1 8 t h I n t e r n a t i o n a l C o n f e r e n c e o n S t r u c t u r a l M e c h a n i c s i n R e a c-t o r T e c h n o l o g y.2 0 0 5.7 M I Z UN O J,K O S H I K A N,T A N A K A E,e t a l.I n v e s t i g a t i o n o n i m p a c t r e s i s t a n c e o f s t e e l p l a t e r e i n f o r c e d c o n c r e t e b a r r i e r s a g a i n s t a i r c r a f t i m p a c t,P a r t 2:S i m u l a t i o n a n a l y s e s o f s c a l e m o d e l i m p a c t t e s t sC/P r o c e e d i n g s o f 1 8 t h I n t e r n a t i o n a l C o n f e r e n c e o n S t r u c t u r-a l M e c h a n i c s i n R e a c t o r T e c h n o l o g y.2 0 0 5.8 S A D I Q M,Z HU X,P A N R.S i m u l a t i o n a n a