开云体育有限公司 – 江苏宿迁专业零件制造商

　　梁柱连接（BUCs）的力学行为对钢制仓储货架的整体稳定性至关重要。尽管设计标准依赖于昂贵的实验测试，但名义上相同试件间的显著变异性突显了制造引起的偏差未被充分探索的影响，传统的分析方法和有限元方法难以在不过度简化的情况下捕捉这些偏差。本研究提出了一种实验-机器

　　梁柱连接（BUCs）的力学行为对钢制仓储货架的整体稳定性至关重要。尽管设计标准依赖于昂贵的实验测试，但名义上相同试件间的显著变异性突显了制造引起的偏差未被充分探索的影响，传统的分析方法和有限元方法难以在不过度简化的情况下捕捉这些偏差。本研究提出了一种实验-机器学习框架，用于预测无螺栓梁柱连接（BUCs）的初始转动刚度（k

　　），明确将11个微几何制造偏差与14个宏观几何和材料变量纳入考虑。利用220个实验测试的数据库（该类型连接中报道的最大规模），研究人员在配置级交叉验证方案下评估了六种回归模型，该方案测试了模型对未见结构设计的真正泛化能力，并应用了嵌套共识特征选择程序以防止信息泄漏。高斯过程回归被证明是最准确、最稳定的模型，其M

　　的达到0.796，且因其准确性和原生不确定性量化而被推荐。基于残差的重要性分析将制造偏差与主导的材料和宏观几何效应分离，显示它们控制了响应方差的量化少数部分（k

　　为6.4%），并一致确定槽宽对刚度、榫宽对弯矩承载力属于最具影响力的偏差，而其他偏差则持续可忽略。由于所有试件共享一个连接器族，将该框架扩展到更多类型被确定为未来关键工作。该框架为高保真有限元方法提供了一种计算高效的补充，并为制造质量控制提供了可操作的指导。

　　**论文解读：制造缺陷对无螺栓梁柱连接的影响——一项实验数据驱动研究**

　　钢制仓储货架作为现代物流与仓储的核心结构，其梁柱连接（BUCs）的力学行为直接影响系统整体稳定性。现有设计标准（如EN 15512、AS4084、RMI）主要依赖昂贵且耗时的实验测试来获取连接性能参数。然而，大量研究表明，名义上相同的试件在初始转动刚度（k0）和极限弯矩承载力（Mu）上表现出显著变异性，这主要源于制造过程中产生的微几何偏差（如型材折叠角、槽宽、榫宽等）。传统分析方法（如组件法）和有限元方法（FEM）虽能模拟连接行为，但前者依赖简化假设，后者计算成本极高（单次模拟数小时），且难以全面考虑多耦合的制造偏差影响。因此，亟需一种高效、可泛化的方法，系统量化制造偏差对连接性能的独立贡献，并为质量控制和设计优化提供数据驱动依据。

　　研究人员构建了目前报道中最大的无螺栓梁柱连接实验数据库（220个试件，来自36种配置），并开发了实验-机器学习框架，以预测k0和Mu。该框架不仅纳入常规宏观几何与材料参数，还首次将11个高精度测量的微几何制造偏差作为显式输入变量。通过严格的配置级交叉验证和嵌套特征选择，研究人员评估了六种回归模型，并推荐高斯过程回归（GPR）作为主模型，因其在准确性和稳定性上表现优异，且能提供校准的不确定性估计。此外，基于残差的重要性分析首次将制造偏差的影响从主导的宏观几何与材料效应中解耦，明确了各偏差的相对贡献，为制造质量控制提供了可操作的优先级指导。该论文发表在《Results in Engineering》。

　　研究人员主要采用以下关键技术方法：（1）高精度三坐标测量机（CMM）在20°C恒温环境下测量11个微几何制造偏差（包括立杆折叠角、槽角、槽位、槽宽、槽距，以及连接器折叠角、榫宽、榫位、榫深、榫角、榫距）；（2）基于EN 15512标准的单悬臂实验测试，获取220个试件的弯矩-转角曲线%Mu前的线性回归斜率，Mu为极限弯矩峰值；（3）六种回归模型：多元线性回归（MLR）、随机森林（RF）、极端随机树（ET）、支持向量回归（SVR）、高斯过程回归（GPR）和人工神经网络（ANN），在配置级GroupKFold交叉验证下评估，并采用嵌套共识特征选择（基于Pearson相关、Spearman秩相关和互信息）防止信息泄漏；（4）基于残差的公差重要性分析：先以材料、宏观几何和分类变量训练最优基线模型，计算残差，再对残差与11个微几何变量进行关联分析，以量化制造偏差的独立贡献。样本队列来源：所有试件来自工业合作伙伴的同一连接器族（5个榫头，连接器厚度3.5 mm，梁翼缘宽50 mm）。**研究结果**

　　实验观察到三种主要失效模式：立杆孔撕裂（薄立杆时）、连接器榫头断裂（高刚性立杆时）和焊接热影响区撕裂（梁端）。名义相同试件间的弯矩-转角曲线存在显著变异性，尤其在接近极限弯矩时，证实了制造偏差的可测量影响。k

　　的变异系数为38.7%，Mu的分布接近对称（偏度0.05），但存在因梁高离散采样导致的稀疏区域。**3.2 多重共线性结果**

　　）、立杆腹板宽（ωu）和立杆翼缘宽（fu）存在严重共线）。经输出导向的共识特征选择后，保留tup，排除ωu、fu、梁屈服应力（fy,b）和立杆屈服应力（fy,up），最终保留21个变量，且所有VIF5.15。

　　<**3.3 特征选择结果**

　　）、梁高（hb）、各组件极限强度（Su,up、Su,c、Su,b）、连接器屈服应力（fy,c），以及三个制造偏差：榫角（ta）、立杆折叠角（ua）和槽角（sa），外加梁截面类型（10折中选9次）。该稳定集将输入维度减少约52%，样本-特征比约22:1。**3.4 机器学习模型性能**

　　）是k0和Mu的最主导变量，立杆厚度（tup）次之。制造偏差变量（ua、sa）的SHAP值最小，因其方差量级远小于宏观变量，需通过残差分析进一步解耦。**讨论部分总结**

　　，最优基线模型（GPR）的OOF R2=0.849，残差方差占15.1%；对于Mu，最优基线（ET）的OOF R2=0.936，残差方差占6.4%。这表明k0对制造偏差更敏感，符合其小变形接触力学特性。公差重要性排名：对于k0，立杆槽宽（sw）最显著（复合得分0.967），其次为榫角（ta）和榫距（tp）；对于Mu，榫宽（tw）最显著（0.833），其次为榫距（tp）和槽宽（sw）。这些排名在粗分组上稳健，但精确顺序对基线模型敏感。物理上，槽宽控制间隙，影响小变形刚度；榫宽控制承载面积，影响大变形极限承载力。研究局限性：所有配置共享同一连接器族，需扩展到更多类型；模型泛化限于训练数据范围。**结论部分翻译**

　　在本研究中，研究人员开发了一个全面的实验-机器学习框架，用于预测钢制仓储货架中无螺栓梁柱连接的初始转动刚度（k

　　）和极限弯矩承载力（Mu）。基于220个实验测试的数据集，系统评估了六种机器学习回归模型。实施了严格的特征选择方法和新颖的基于残差的重要性分析，以分离并量化几何缺陷对k0和Mu的显式影响。关于机器学习方法，主要结论如下：有效的降维。结合方差膨胀因子（VIF）诊断和多指标共识方法（Pearson、Spearman和互信息），将输入空间从25个候选变量减少到10个特征的稳定集。该选择嵌套在交叉验证中以防止信息泄漏，结果特征集在各折间高度稳定。

　　配置级验证下的预测建模。当评估对完全未见结构配置的真正泛化时，非线性核方法与集成方法明显优于线性基线和神经网络。高斯过程回归（GPR）在两个响应上表现最一致稳定，实现了极限弯矩的最高合并交叉验证准确率（OOF R

　　=0.916）和初始转动刚度的次优准确率（OOF R2=0.796），同时具有最低的折间变异性；支持向量回归在初始转动刚度上略优（OOF R2=0.813）。因此推荐GPR作为主模型，其额外优势是提供校准的预测不确定性界限。初始转动刚度被发现是更难预测的未知配置属性，与其对制造偏差更大的敏感性一致。关于结构对制造引起变化的响应，主要结论如下：几何偏差的分离。提出的基于残差的分析将微几何偏差的独立效应从主导的材料和宏观几何特性中解耦。这些偏差占可量化的总方差少数部分：初始转动刚度为15.1%，极限弯矩承载力为6.4%，这是名义相同试件中变异性的一种来源，在当前分析模型和标准化设计程序中很大程度上被忽视。初始转动刚度是两个属性中对公差更敏感的。

　　关键偏差的识别。在该残差中，一个稳健的公差子集被一致识别为最具影响力，但该子集内的精确排序对基线模型的选择敏感。对于初始转动刚度（k

　　），立杆槽宽（sw）、榫深（td）和立杆折叠角（ua）一致位于最具影响力偏差之列，反映了早期榫槽接触对间隙配合的敏感性，而连接器折叠角（ca）和槽角（sa）具有一致低重要性。对于极限弯矩承载力（Mu），榫宽（tw）被反复识别为最具影响力的偏差，与其在大变形中承载面积的主导作用一致。这些分组（哪些公差是重要的，哪些是可忽略的）在基线模型间是稳定的，尽管重要组内的详细排序并非如此，排名应据此解释。对行业的实际意义。通过识别最影响连接性能的生产引起的偏差，该框架为制造商提供了数据驱动的质量控