基于改进Stacking集成学习的高强度钢柱屈曲能力预测

由于屈曲强度的形成机制复杂,影响屈曲强度的因素较多,目前对屈曲强度的认识还不全面。近年来,机器学习已初步应用于预测结构屈曲强度等力学性能,然而基于实验测试的样本数据量小容易造成过拟合,导致其预测精度低。本文提出一种基于改进Stacking算法的GSSA(Grid Search-Stacking Algorithm)模型,并对某型号高强度钢柱屈曲强度进行预测,提升了屈曲强度的预测精度。首先,基于标准Stacking算法通过使用网格搜索算法选择最优基模型组合,并采用留一交叉验证(LOOCV)法训练基模型,实现了GSSA模型的构建,有效解决了小样本集训练带来的预测精度低问题;然后,为了进一步验证GSSA模型的可靠性,本文采用Bland-Altman法对GSSA模型进行一致性评价,结果表明,GSSA模型具有很好的可靠性;最后,采用SHAP模型对GSSA模型预测的屈曲强度进行了可解释性分析,实现了其影响因素评价。