中空夹层钢管混凝土柱轴压承载力预测方法的学习体会

文献概况与研究背景

本文由长安大学赵均海等人在《建筑钢结构进展》2024年第26卷第9期发表，研究圆中空夹层钢管混凝土（Concrete Filled Double-Skin Steel Tube, CFDST）柱的轴压承载力预测方法。CFDST结构由外钢管、内钢管和核心混凝土三部分组成，其独特的双皮钢管结构形式使其具有优异的抗火性能、抗腐蚀性能和抗震性能，在海洋工程、核电站、桥梁和高层建筑等领域具有广阔的应用前景。然而，CFDST柱的受力机理复杂，外钢管、内钢管与核心混凝土之间的相互约束作用使得其承载性能难以通过简单的理论公式准确预测。

CFDST结构的受力机理分析

CFDST柱的受力机理是理解其承载性能的基础。在轴压荷载作用下，核心混凝土受到外钢管和内钢管的双重约束，处于复杂的多轴应力状态。外钢管主要承受轴向压力和环向拉应力（由混凝土膨胀引起），内钢管则承受轴向压力和由核心混凝土传递的环向压力。这种多组构件的协同工作使得CFDST柱的承载性能显著优于单一钢管混凝土柱。

从钢管制造的角度来看，CFDST结构对内外钢管的制造精度要求较高。外钢管通常采用大口径直缝埋弧焊（LSAW）或螺旋埋弧焊（SSAW）工艺制造，内钢管则可采用无缝钢管或直缝焊管。内外钢管的同心度、壁厚均匀性、焊缝质量和残余应力分布均会影响CFDST柱的承载性能和约束效果。在实际生产中，内外钢管的组装精度需要严格控制，通常要求同心度偏差不超过壁厚的10%～15%。

PSO-BP神经网络预测方法分析

文献采用粒子群优化（Particle Swarm Optimization, PSO）算法优化BP（Back Propagation）神经网络，建立了CFDST柱轴压承载力的预测模型。与传统BP神经网络相比，PSO-BP神经网络通过粒子群优化算法对网络权重和阈值进行全局优化，避免了传统BP算法容易陷入局部最优解的缺陷，提高了模型的预测精度和收敛速度。

文献收集了167组数据建立数据库，选取8种影响因素作为输入层参数，轴压承载力作为输出层参数。这种数据驱动的方法能够捕捉到传统理论模型难以描述的复杂非线性关系，特别适用于CFDST柱这种多参数耦合的复杂结构体系。文献将数据分析模型与3种规范的结果进行比较，结果表明数据分析模型的精度高于规范公式。

从技术角度来看，PSO-BP神经网络模型的建立需要关注以下关键问题：一是训练数据集的规模和代表性，167组数据对于复杂结构的预测模型而言可能偏少，需要进一步扩充数据集以提高模型的泛化能力；二是输入参数的选取和预处理，8种输入参数的选取需要基于对CFDST结构受力机理的深入理解；三是模型的验证和评估，需要采用交叉验证等方法评估模型的泛化性能，避免过拟合。

与规范公式的对比分析

文献将PSO-BP神经网络模型的预测结果与3种规范公式进行了对比。从钢管混凝土结构的规范体系来看，目前国际上对CFDST结构的承载性能设计尚缺乏统一的标准，各规范之间的差异较大。中国规范（如GB 50935《钢管混凝土结构设计规范》）、欧洲规范（如Eurocode 4）和美国规范（如ACI 410）对钢管混凝土结构的计算方法各有侧重，对CFDST结构的适用性也存在差异。

从工程实践的角度来看，规范公式的优点是物理意义明确、便于工程应用，但缺点是对复杂结构体系的预测精度有限。数据分析模型的优点是预测精度高、能够捕捉复杂非线性关系，但缺点是物理可解释性较差、对训练数据依赖性强。在实际工程应用中，建议将数据分析模型作为规范计算的补充和校核手段，而非完全替代规范方法。对于关键结构或特殊工况，仍需结合详细的有限元分析和试验验证。

学习心得与工程应用思考

本文的研究为CFDST柱的轴压承载力预测提供了一种新的方法思路。从技术角度看，PSO-BP神经网络方法在预测精度方面具有优势，但其在工程应用中的推广仍面临一些挑战。首先，数据分析模型的物理可解释性不足，工程师难以理解模型预测结果的物理含义，这在结构安全评估和事故分析中可能带来风险。其次，模型的预测精度依赖于训练数据集的质量和代表性，对于超出训练数据范围的新结构形式或新材料，模型的预测可靠性可能下降。

从钢管制造与焊接的角度来看，CFDST结构的制造质量控制是确保其承载性能的关键。外钢管和内钢管的焊接质量、内外钢管的组装精度、混凝土的浇筑质量等因素均会影响CFDST柱的实际承载性能。在实际工程中，建议采取以下质量控制措施：一是对钢管进行严格的进厂检验，包括几何尺寸、壁厚、焊缝质量和力学性能；二是对内外钢管的组装精度进行严格控制，确保同心度和间距满足设计要求；三是对混凝土浇筑过程进行全程监控，确保混凝土的密实度和均匀性；四是对成品进行必要的无损检测和加载试验，验证结构的实际承载性能。

此外，本文的研究也提示我们，在钢管混凝土结构的性能预测领域，数据驱动方法与物理模型方法的结合是一个值得探索的方向。未来的研究可以关注物理信息神经网络（Physics-Informed Neural Network）等新型方法在钢管混凝土结构性能预测中的应用，将物理定律和力学原理嵌入神经网络模型中，提高模型的物理可解释性和预测可靠性。