1.一种PC箱梁火灾下损伤识别预测方法,其特征在于,包括以下步骤:S1:选择构建PC箱梁火灾预应力损失及抗弯承载能力损失的特征,包括桥梁基本信息、截面几何参数、材料指标和火灾场景;
S2:基于选择的特征,构建火灾下PC箱梁预应力损失数据库及抗弯承载能力损失数据库;
S3:对预应力损失数据库及抗弯承载能力损失数据库中的各类原始数据进行预处理,将各参数转换为可供机器学习模型分析的格式,并将数据集划分训练集和测试集;
S4:基于训练集和测试集,分别对预应力损失及抗弯承载能力损失对应模型的超参数进行优化;
对预应力损失对应模型的超参数进行优化,包括以下分步骤:
A1:基于训练集和测试集,对预应力损失原始数据特征进行处理,利用原始特征生成多项式特征;
A2:从统计角度描述每个样本的特征分布空间,并进行统计特征提取;
A3:基于统计特征提取结果,将前十个重要特征两两相乘,创建交互特征,生成交互特征数量;
A4:将多项式特征、统计特征和交互特征组合的所有生成的特征按顺序组合成一个矩阵,同时进行特征拓展;
A5:基于特征拓展结果,进行特征数据标准化;
A6:基于特征数据标准化结果,进行特征选择,以随机森林作为评估器,计算每个特征的重要性得分,并根据阈值选择重要特征;
A7:基于重要特征,通过多模型初始化,对预应力损伤预测模型采取并行训练,并进行评估计算,获得表现最佳的模型,并对其进行超参数优化;
A8:将模型进行集成学习,采用两层Stacking集成结构,选取表现最佳的模型GradientBoosting、RandomForest、ExtraTrees和XGBoost作为基学习器,并选取随机森林、梯度提升树、岭回归和Lasso回归四种元学习器进行组合,通过3折交叉验证,选择综合评定分数最高的集成模型作为最佳集成模型;
A9:对比单一最佳模型与集成模型性能,将基于GradientBoosting、RandomForest、ExtraTrees和XGBoost为基学习器,Lasso回归为元学习器的集成模型作为火灾下PC箱梁预应力损失预测模型;
对抗弯承载能力损失对应模型的超参数进行优化,包括以下分步骤:B1:采用Optuna框架通过TPE算法对XGBoost和SVR基学习器及Ridge元学习器进行超参数优化;
B2:基于优化结果,将XGBoost和SVR基学习器的预测结果拼接为元特征,训练Ridge元学习器,并结合MedianPruner剪枝策略动态淘汰低效参数组合,获得全局最优参数;
B3:基于全局最优参数,构建预处理管道和基模型,最终训练Ridge元模型形成两层堆叠结构;
S5:对优化后的模型进行性能评估、结果可视化处理及SHAP可解释性分析,并将其应用于PC箱梁火灾下损伤识别预测。
2.根据权利要求1所述的PC箱梁火灾下损伤识别预测方法,其特征在于,所述Lasso回归的优化目标为:其中,为包含所有样本真实目标值的列向量,为元学习器的输入特征矩阵,为要求解的系数向量,为Lasso回归中的正则化超参数,为GradientBoosting模型对个样本的预测值,为RandomForest模型对个样本的预测值,为ExtraTrees模型对个样本的预测值,为XGBoost模型对个样本的预测值;
Lasso回归的最终预测模型为:
其中,为最终预测模型结果,、、和为对应不同基学习器的权重,为偏置项,为GradientBoosting模型的预测值,为RandomForest模型的预测值,为ExtraTrees模型的预测值,为XGBoost模型的预测值。
3.根据权利要求2所述的PC箱梁火灾下损伤识别预测方法,其特征在于,所述Ridge元学习器在普通最小二乘法的基础上引入L2正则化项,优化目标为:其中,为岭回归中的正则化超参数,为SVR模型对个样本的预测值;
Ridge元学习器的最终预测值为:
其中,为Ridge元学习器的最终预测值,为XGBoost模型的预测值,为SVR模型的预测值,和为权重系数。
4.一种如权利要求1-3任一项所述PC箱梁火灾下损伤识别预测方法的监测预警系统,其特征在于,包括:温度传感器,布设于桥梁关键部位,用于监测温度变化,定位受火区域;
红外摄像头,用于识别火源位置、高度及范围,记录受火时间;
储存箱,内置数据收发处理装置和检测无人机,当数据收发处理装置接收到温度异常且检测到有火灾特征时,自动打开箱体阀门,释放检测无人机;
检测无人机,配备红外摄像头和数据传输装置,用于多角度数据采集;
中央处理器,用于运行损伤识别预测模型,输出预测结果,包括火灾下预应力损伤及抗弯承载能力损失识别结果;
报警系统,包括LED显示屏、警示灯和扬声器,用于火灾预警和信息播报;
太阳能发电装置,为系统提供电力支持。