超高性能混凝土（UHPC）与钢筋的复合结构已广泛应用于主梁、桥面板、拼接缝及抗震节点等关键部位，其界面粘结性能直接决定了桥梁结构的协同受力机制与疲劳耐久性。既有桥梁设计中，钢筋 - UHPC 界面粘结性能的评估多依赖经验公式，受限于实桥试验样本匮乏、服役环境参数耦合效应解析困难等问题，存在预测可靠性不足、结果离散度偏高的局限性，严重影响桥梁的承载安全与使用寿命。本文建立融合机器学习与可解释性分析的研究框架，旨在实现钢筋 - UHPC 界面粘结性能的高精度预测与参数耦合解析。基于文献调研建立数据集，选取UHPC 抗压强度、粘结长度、钢筋直径、保护层厚度比及纤维体积分数作为特征变量，对比 对比 2 种基本算法（SVM、KNN）与 3 种集成算法（RF、AdaBoost、CatBoost）的预测性能，构建钢筋 - UHPC 粘结性能预测及优化设计数字模型。​研究结果表明，集成算法的决定系数（R²）超过 0.95，平均绝对百分比误差（MAPE）低于 10%，显著优于基本算法及现行设计规范公式；规范公式对钢筋抗拉应力的计算结果偏于保守；钢筋直径和粘结长度是影响粘结强度的主导因素，其中粘结长度的主效应最大，与其他特征之间协同作用互补性显著。UHPC 抗压强度和纤维掺量对局部粘结的直接作用有限，主要通过与其他特征耦合影响受力性能；保护层厚度与纤维掺量的交互效应在高荷载区间的非线性作用尤为明显。​基于优化后的 CatBoost模型，结合 NSGA-II 算法实现全局优化，并通过生成式设计提出可行方案，GUI程序可以通过交互式可视化界面实现性能预测与SHAP解释。
 

暂无