科研之友
微信
新浪微博
Facebook
分享链接
摘要
为克服传统回归方式的局限性，同时解决机器学习模型可解释性差的问题，利用SHAP法与符号回归建立了具有更高精度的经验公式。为此，基于已有的试验数据库，建立了一个包含119个弯曲破坏矩形RC剪力墙的数据库。利用多种机器学习算法建立回归模型来预测剪力墙极限位移，其中XGBoost模型回归效果最佳。利用SHAP法对模型进行了分析与解释，并基于SHAP值对特征参数进行了筛选，以提升符号回归的效率与预测性能。提出的回归方法有助于克服传统回归方式的缺陷，与已有经验公式的对比结果表明，提出的经验公式具有更高的预测精度。此外，对符号回归模型所选用的特征参数进行了参数分析，并用XGBoost模型结果进行对比，以得到各特征参数在不同模型间的差异。结果表明，符号回归模型与XGBoost模型中各特征参数对极限位移的影响趋势基本一致，且符号回归模型具有更好的泛化性能与可解释性。
-
单位湖南大学; 土木工程学院
