应用于焊接横向刚肋的疲劳强度模型发现：基于特征工程与自动化可解释机器学习

本研究提出一种统一方法，将自动机器学习（AutoML）与可解释人工智能（XAI）相结合，用于预测焊接横向刚肋细部的疲劳强度。该方法将专家驱动的特征工程与算法特征创建相融合，以提升精度和可解释性。基于大规模疲劳测试数据库，分别训练了梯度提升、随机森林和神经网络回归模型，采用 AutoML 在三种特征方案下进行训练：基于领域的、算法的和组合的。通过系统比较专家特征选择与自动化特征选择的效果。集成方法（如CatBoost、LightGBM）表现出最佳性能。基于域信息的模型 $\mathcal M_2$ 在完整 $\Delta \sigma_{c,50\%}$ 范围内实现最佳平衡：测试 RMSE 约为 30.6 MPa，$R^2 \approx 0.780$；在工程相关的 0 - 150 MPa 区间内，RMSE 约为 13.4 MPa，$R^2 \approx 0.527$。较密集特征模型 ($\mathcal M_3$) 在训练期间取得轻微提升，但泛化较差；而较简单基础特征模型 ($\mathcal M_1$) 的性能相当，确认了极简设计的鲁棒性。XAI 方法（如 SHAP 和特征重要性）识别出应力比 $R$、应力范围 $\Delta \sigma_i$、屈服强度 $R_{eH}$ 以及焊后处理（TIG 拉丝处理 vs. 曝焊）为主要预测因子。次要几何因子——板宽、颈部厚度、刚肋高度——也显著影响疲劳寿命。该框架表明，将 AutoML 与 XAI 相结合可构建准确、可解释且稳健的疲劳强度模型，用于焊接钢结构。它桥接了数据驱动建模与工程验证，实现了 AI 辅助设计与评估。未来工作将探索概率疲劳寿命建模及其在数字孪生环境中的集成。