基于SSA-BP神经网络的圆钢管RPC短柱轴压承载力预测学习体会

文献概况与研究背景

本文出自湖南大学卜良桃与洪俊鹏，发表于2023年《沈阳建筑大学学报（自然科学版）》第39卷第4期，系国家自然科学基金项目（52178206）的成果。圆钢管混凝土短柱作为高层建筑、大跨结构及工业厂房中常用的承重构件，其轴压承载力的准确预测对结构设计与安全评估至关重要。活性粉末混凝土（Reactive Powder Concrete, RPC）作为一种高性能混凝土材料，具有超高强度、高韧性、高耐久性等优异特性，将其与圆钢管组合形成的圆钢管RPC短柱，其力学行为比普通钢管混凝土更为复杂，现有规范公式难以精确预测其承载力。

核心观点与方法论

作者引入麻雀搜索算法（Sparrow Search Algorithm, SSA）优化BP神经网络的初始权重与阈值，以155组试验数据为基础建立SSA-BP神经网络模型，对圆钢管RPC短柱轴压承载力进行预测。其核心创新在于将SSA的全局搜索能力与BP神经网络的局部优化能力相结合，有效解决了传统BP神经网络易陷入局部最优、收敛速度慢的问题。

从方法论角度分析，这一技术路线体现了"智能优化算法+神经网络"的范式在结构工程承载力预测中的应用价值。SSA模拟麻雀群体的觅食与反捕食行为，具有探索与开发能力均衡的特点，在参数寻优中表现优异。

模型性能对比分析

从表中数据可以看出，SSA-BP神经网络在预测精度和计算效率两个维度上均显著优于传统BP神经网络和GA-BP神经网络。平均误差仅3.66%，意味着预测值与实际试验值的偏差控制在工程可接受范围内，完全满足结构设计的精度要求。

关键技术参数与影响因素

圆钢管RPC短柱轴压承载力受多种因素影响，主要包括：钢管外径与壁厚、RPC混凝土强度等级、短柱高径比、钢管与混凝土的粘结滑移效应等。从钢管制造与焊接的角度看，钢管的几何尺寸精度、壁厚均匀性以及焊缝质量直接影响钢管对混凝土的约束效果，进而影响组合构件的承载力。

在实际工程中，钢管的制造公差和焊接残余应力可能导致钢管初始椭圆度偏差，这在一定程度上会削弱钢管对RPC的约束作用。因此，在利用SSA-BP模型进行承载力预测时，输入参数中钢管几何尺寸的取值应基于实际测量值而非名义值，以提高预测的可靠性。

工程实践中的思考

从钢管制造与焊接的专业视角审视，本文的研究成果对钢管RPC组合构件的质量控制提出了新的要求。首先，RPC材料的高强度特性要求钢管具有较高的屈服强度以匹配约束效果，这对钢管材质选择（如Q355、Q420等高强钢）提出了明确要求。其次，RPC的超高粘结性能使得钢管与混凝土的界面行为更加复杂，焊接接头的残余变形可能对界面接触产生不利影响。最后，SSA-BP模型的输入参数中包含了钢管的力学参数，而这些参数在实际生产中需要通过力学性能试验（拉伸、弯曲、冲击等）逐一获取，这对钢管质量检验的完整性提出了更高要求。

学习心得与启示

本文展示了智能优化算法在结构工程承载力预测中的巨大潜力。SSA-BP神经网络不仅精度远超传统方法，而且计算效率显著提升，为圆钢管RPC短柱的设计与评估提供了高效可靠的工具。对于钢管制造企业而言，这一成果意味着在承接RPC组合构件用钢管的供货任务时，需要更加关注钢管几何精度和力学性能的严格控制，因为任何微小的制造偏差都可能通过复杂的非线性关系被放大，影响最终组合构件的承载性能。从技术发展趋势看，数据驱动的智能预测方法与基于物理机理的传统方法相结合，将是未来结构工程研究的重要方向。