构造、物理与无损检测多源特征融合的华北落叶松木材力学性能机器学习预测OA

针对古建筑严重残损木构件替换选材时普遍存在的木材力学性能预测效率低、测试流程复杂等问题,构建木材力学性能快速预测方法并建立修缮用材适用性评价体系,是科学支撑古建筑替换选材的关键。以华北落叶松(Larix gmelinii var.principis-rupprechtii)为研究对象,测定生长轮宽度、晚材率两项构造特征与气干密度指标,并结合应力波波速、微钻阻力,以及二者耦合得到的波阻模量复合参数等无损检测参数,引入随机森林(random forest,RF)、决策树(decision tree,DT)、K近邻回归(K-nearest neighbors regression,KNNR)、支持向量回归(support vector regression,SVR)及表格先验数据拟合网络(tabular prior-data fitted network,TabPFN)5种机器学习算法,构建样本数量不足条件下木材抗弯强度、抗弯弹性模量、顺纹及横纹抗压强度等力学性能的预测模型。在各项指标中,气干密度、晚材率、微钻阻力值与力学性能的Pearson系数最高(均大于0.5),而生长轮宽度和应力波波速与力学性能相关性较弱。将气干密度、晚材率与微钻阻力值三类高相关多源特征融合构建的模型,其预测精度较单一使用构造与物理指标或无损检测参数分别提高23.26%和72.05%。5种模型中,基于预训练机制的TabPFN在力学性能预测中表现最优,预测抗弯强度的决定系数R²高达0.9614。以沙普利加性解释(Shapley additive explanations,SHAP)值量化特征贡献度,进一步筛选出气干密度、晚材率与微钻阻力值为核心预测特征,其中气干密度贡献度最高(平均SHAP值为61.29%)。研究构建的融合构造、物理指标与无损检测参数的机器学习预测方法,实现对华北落叶松关键力学性能的快速、准确评估,为应县木塔等古木建筑修缮工程中严重残损构件的科学选材提供重要依据。