基于机器学习算法的冷弯薄壁型钢自攻螺钉连接受剪承载力研究

作     者：吴函恒 王辰 王涛 隋璐 周天华 

作者机构：长安大学建筑工程学院 

出 版 物：《建筑科学与工程学报》 (Journal of Architecture and Civil Engineering)

年 卷 期：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 081402[工学-结构工程] 081304[工学-建筑技术科学] 0835[工学-软件工程] 0813[工学-建筑学] 0814[工学-土木工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(51508029, 51878055) 陕西省自然科学基础研究计划(2023-JC-YB-295) 中央高校基本科研业务费专项(300102282204, 300102282718) 

主　　题：冷弯薄壁型钢 机器学习 自攻螺钉连接 受剪承载力 

摘      要：自攻螺钉连接是冷弯薄壁型钢结构的基础连接方式之一。冷弯薄壁型钢自攻螺钉连接受力机理复杂，影响因素诸多，为了提高其受剪承载力预测的准确性，本文提出了一种基于机器学习算法的受剪承载力预测模型。在试验研究的基础上，以钉头及钉尾处钢板厚度、螺钉直径和钢板屈服强度作为影响因素，基于BP神经网络和支持向量回归（SVR）两种算法对试验数据进行训练回归，得到受剪承载力预测模型，并将模型预测结果与试验值以及规范计算值进行对比。研究表明：两种基于机器学习算法的模型都能较为准确地预测自攻螺钉连接的受剪承载力，具有较高的预测精度，并且模型泛化能力强，而规范公式计算值偏为保守；与基于BP神经网络算法的承载力预测模型相比，基于SVR算法的拟合优度提升了3.5%，均方根误差减小了27%，平均绝对误差减小了13%，表明基于SVR模型预测精度优于BP神经网络。研究成果可为实际工程应用提供参考。