冷弯型钢组合柱的机器学习修正不再按随机划分验收：换一批试验来源，安全系数落到4.01至8.38
核心概要
冷弯型钢组合柱的全局屈曲承载力预测，过去用随机80/20划分评估知识引导机器学习修正，同一试验项目的数据会同时出现在训练与测试中。改为按试验来源整组留出后，148个试件、15个来源、13个截面族的验证显示迁移明显变弱，最好的Lasso模型决定系数为0.787、平均绝对百分比误差73.0%。据此标定的LRFD抗力因子为0.191至0.399，ASD安全系数为4.01至8.38。
深度剖析
组合柱承载力预测的评估方式从随机划分改为按试验来源整组留出，同一试验项目不再同时进入训练和测试。 随机80/20划分下，知识引导机器学习模型的测试平均绝对百分比误差约为13%至16%，决定系数高于0.96，但同一来源的试件可能同时落在训练集与测试集。 嵌套留一来源验证中，148个试件各由未见过其来源的模型预测一次，最好的Lasso结果为决定系数0.787、均方根误差68.5 kN、平均绝对百分比误差73.0%。
修正量被定义为实测承载力与直接强度法预测值之比，机器学习只学这个乘性偏差，不替换设计公式。 直接强度法原本针对单根冷弯型钢构件标定，用于组合柱时需对连接件间的部分相互作用作简化假设。 六种回归算法在同一套来源划分上比较，并设一个接收相同力学信息、额外接收直接强度法承载力的直接机器学习基线；修正学习对Ridge、Lasso、Elastic Net和决策树的迁移误差有改善，对kNN和AdaBoost没有。
可靠性标定只用来源外预测，得到的抗力因子与安全系数反映跨试验项目的迁移不确定性。 此前基于随机留出样本的标定会低估离散程度，因为留出样本与训练样本来自同一批试验项目。 六个模型的来源外预测离散系数为0.552至0.898，规定的0.065下限全部未起作用；按算法不同，49.3%至57.4%的预测高于实测承载力。
启示与展望
适用范围限于所分析数据库中记录的13个组合截面族、约288至615 MPa的屈服强度、503至3500 mm的长度、1至3 mm的厚度、0至1906.7 mm的紧固件间距记录，以及所代表的铰接、半刚接与刚接边界条件和受弯/全局屈曲工况。局部屈曲、畸变屈曲及局部—全局或畸变—全局相互作用不在当前模型范围内，需要各自的模态相关临界荷载、长细比度量与直接强度法分支。原文提出后续应扩大来源多样性、建立显式的模态感知数据集、研究受物理约束或单调的学习形式，并在推广到一般组合柱设计前重复分组可靠性标定。
来源组只有15个且规模与响应范围差异大，聚类自助区间很宽，例如Lasso的来源外决定系数0.787对应约-1.79至0.89的95%区间，平均绝对百分比误差区间约18.7%至147.6%。30次分组留出重复中所有修正学习模型的平均决定系数为负，平均绝对百分比误差在67.7%至111.1%之间，说明结果依赖哪些试验项目被留出。力学导出特征之间存在强相关，例如全局长细比与屈服荷载/弹性临界荷载之比的Spearman相关系数为0.9998，因此SHAP结果只作关联性解释；分组重采样下若干变量的重要性排序也不稳定。