基于集成学习的圆钢管再生混凝土短柱轴压承载力研究学习体会

文献概况与工程意义

再生混凝土（Recycled Aggregate Concrete, RAC）是将建筑垃圾中的粗骨料经破碎、筛分、清洗后，部分或全部替代天然粗骨料制备的混凝土。随着城市化进程加速和"双碳"目标的推进，再生混凝土在建筑工程中的应用日益受到重视。圆钢管再生混凝土短柱作为一种典型的钢管混凝土构件形式，兼具钢管的约束效应和再生混凝土的可持续性优势。然而，再生粗骨料的多孔性、高吸水率和低弹性模量等特性，使得再生混凝土的力学性能与天然混凝土存在差异，进而影响钢管混凝土构件的承载力。本文采用集成学习方法，基于试验数据建立圆钢管再生混凝土短柱轴压承载力的预测模型，为工程设计提供新的计算途径。

核心观点与技术方法

再生混凝土的材料特性对承载力的影响

再生混凝土与普通混凝土在材料性能上的差异主要体现在以下几个方面：再生粗骨料表面附着旧砂浆层，导致骨料与水泥浆体之间的界面过渡区（ITZ）质量下降；再生粗骨料孔隙率较高，吸水率可达天然骨料的2至3倍；再生粗骨料的压碎值和洛杉矶磨耗率通常低于天然骨料。这些特性直接影响再生混凝土的抗压强度、弹性模量和劈裂抗拉强度。

从钢管混凝土的力学机理来看，钢管对核心混凝土的约束效应是提升承载力的关键因素。钢管的约束压力与钢管的侧向变形能力、壁厚和屈服强度密切相关。当核心混凝土采用再生混凝土时，由于其弹性模量较低，在相同轴压荷载下会产生更大的径向膨胀变形，从而激发钢管更大的约束反力。这种"低模量-高膨胀-强约束"的耦合效应，可能在一定程度上补偿再生混凝土强度偏低的不利影响。

集成学习方法的技术优势

集成学习（Ensemble Learning）是一种通过组合多个基学习器来构建更稳健预测模型的方法。常见的集成方法包括随机森林（Random Forest）、梯度提升决策树（Gradient Boosting Decision Tree, GBDT）和极端随机树（Extra Trees）等。相比单一数据分析模型，集成学习具有以下优势：降低过拟合风险、提高预测精度、增强模型泛化能力。在钢管再生混凝土短柱承载力预测中，输入特征通常包括：钢管外径、壁厚、钢管屈服强度、再生骨料替代率、再生混凝土抗压强度、再生混凝土弹性模量、柱长细比等。集成学习模型能够从这些多维特征中自动捕捉非线性关系，建立承载力预测方程。

关键参数的敏感性分析

从上述参数分析可以看出，再生混凝土抗压强度和再生骨料替代率是影响承载力的最主要因素，这与工程直觉一致。但值得注意的是，钢管壁厚的影响权重也达到了0.20，说明钢管规格选择对再生混凝土短柱的承载力同样具有重要影响。从钢管制造的角度，壁厚公差的控制精度直接影响约束效应的均匀性，进而影响承载力预测的准确性。

与钢管焊接工艺的结合

钢管端部焊接对承载力的影响

圆钢管再生混凝土短柱在实际工程中，钢管端部通常需要通过焊接与基础或相邻构件连接。焊接过程产生的热输入会在钢管端部形成热影响区（HAZ），导致局部材料性能变化。对于Q355B或Q390B级别的钢管，焊接HAZ的硬度可能升高10至20 HV，同时伴随残余拉应力的产生。在轴压荷载作用下，这些残余应力与外加应力叠加，可能降低钢管端部的屈曲承载力。

笔者在多年的焊接工艺研究中总结出以下经验：对于钢管混凝土短柱的端部焊接，推荐采用GTAW（钨极氩弧焊）打底加SMAW（手工电弧焊）填充盖面的组合工艺，控制单层焊道热输入在1.0至1.5 kJ/mm范围内，避免HAZ过热导致的晶粒粗化和脆化。焊后应进行适当的消氢处理（200至250°C，保温2小时），以消除焊接残余应力中的有害成分。

钢管制造质量对试验数据可靠性的影响

本文采用的集成学习模型基于试验数据训练，而试验数据的可靠性直接取决于钢管的制造质量。如果试验用钢管存在椭圆度超差、壁厚不均、焊缝缺陷等问题，将导致试验结果的离散性增大，进而影响模型的预测精度。从钢管制造质量控制的角度，建议：

1. 试验用钢管应采用同一炉批、同一规格的无缝钢管，以减少材料批次差异带来的影响。
2. 钢管的椭圆度应控制在0.5%D以内，壁厚偏差不超过±10%。
3. 钢管表面应无裂纹、折叠、结疤等明显缺陷，焊缝区域应进行MT（磁粉检测）或PT（渗透检测）。
4. 钢管的力学性能（屈服强度、抗拉强度、延伸率）应通过取样试验确认，确保与设计值一致。

工程实践案例与反思

某再生混凝土应用项目的经验

笔者曾参与某城市保障性住房项目，该项目部分非承重构件采用再生混凝土，其中部分支撑柱采用圆钢管再生混凝土结构。项目设计阶段，再生混凝土的再生骨料替代率为50%，抗压强度为C30，钢管规格为Φ219×8mm，材质为Q355B。施工过程中，由于再生混凝土的坍落度控制难度较大（再生骨料吸水率高，需提前预湿处理），部分柱段出现了混凝土密实度不足的问题。事后检测发现，这些柱段的承载力较设计值偏低约10%至15%。

这一案例启示我们，再生混凝土在钢管混凝土中的应用，不仅需要关注材料强度的匹配，还需要重点关注施工工艺的适应性。再生混凝土的拌和、运输、泵送和浇筑工艺与普通混凝土存在显著差异，需要在施工方案中予以充分考虑。

模型预测与工程设计的衔接

集成学习模型虽然具有较高的预测精度，但其本质上是一种数据驱动的黑箱模型，缺乏明确的物理意义。在工程设计中，直接采用黑箱模型进行承载力计算存在以下风险：模型在训练数据范围外的泛化能力不确定、模型对输入参数误差的敏感性难以量化、以及模型的可解释性不足导致设计人员难以建立工程信任。因此，笔者建议在工程设计中，将集成学习模型作为辅助工具，与基于力学机理的解析公式相结合，形成"机理模型为主、数据模型为辅"的设计方法体系。

学习心得与展望

本文献将数据分析方法引入钢管混凝土结构的承载力预测，代表了工程计算方法的数字化转型趋势。从钢管制造与焊接技术的角度看，再生混凝土在钢管混凝土中的应用为钢管行业带来了新的市场机遇，同时也提出了更高的钢管质量要求。再生混凝土的弹性模量偏低意味着钢管需要承受更大的径向变形，这对钢管的壁厚均匀性和几何精度提出了更严格的要求。

未来，钢管再生混凝土短柱的研究应重点关注以下方向：不同再生骨料替代率下钢管-混凝土界面的粘结滑移规律、钢管焊接接头对再生混凝土短柱承载力的影响、以及再生混凝土在长期荷载和疲劳荷载下的性能退化规律。同时，随着再生混凝土标准的逐步完善和钢管制造技术的持续进步，再生钢管混凝土结构将在绿色建筑和可持续发展领域发挥更加重要的作用。