基于数据驱动的机器学习方法用于预测钢制储物架柱轴向承载能力
机器学习
2025-08-05 v1 材料科学
摘要
本研究提出一种机器学习（ML）框架，用于预测冷成形钢结构成员的轴向承载能力（kN）。该方法强调稳健的模型选择和可解释性，弥补传统解析方法在捕捉层压行为非线性及几何复杂性方面的不足。数据集包含钢柱的关键几何和机械参数，经过适当预处理后包括删除非信息标识符和缺失值填补。评估了从线性模型到核方法回归器和集成树方法的完整回归算法套件。最终选定梯度提升回归（Gradient Boosting Regression），其在多个指标上表现优异，包括决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）。为实现模型可解释性，使用 Shapley 增值解释法（SHAP）洞察输入特征对预测轴向承载能力的相对重要性及其相互作用。为便于实际部署，该模型集成至基于 Python 的交互式 Web 界面中，通过 Streamlit 实现。该工具允许结构工程师和设计师手动输入设计参数或通过 CSV 文件上传，即可获得轴向承载能力的实时预测，无需编程知识。应用于钢制储物架柱场景，该框架展示了数据驱动工具如何提升设计安全性、简化验证流程并为层压是关键失效模式的结构应用提供决策支持。
引用
@article{arxiv.2508.00876,
title = {A Data-Driven Machine Learning Approach for Predicting Axial Load Capacity in Steel Storage Rack Columns},
author = {Bakhtiyar Mammadli and Casim Yazici and Muhammed Gürbüz and İrfan Kocaman and F. Javier Dominguez-Gutierrez and Fatih Mehmet Özkal},
journal= {arXiv preprint arXiv:2508.00876},
year = {2025}
}