经验知识监督的RC墩柱力学性能神经网络分析方法

本文通过研究钢筋混凝土（RC）墩柱力学性能试验数据、经验知识和机器学习的融合机制，提出了经验知识监督的RC墩柱力学性能神经网络（Knowledge-guided neural network, KGNN）分析方法。首先建立了包含761组RC墩柱拟静力试验样本的数据库；随后，基于经验知识分析了RC墩柱主要特征对其力学性能影响规律，构建了相应的数学表征方法；最后，将RC墩柱试验数据及经验知识融入人工神经网络架构和训练过程，建立了高精度、可解释、可通用且不依赖大量训练数据的RC墩柱力学性能KGNN分析模型。本文提出的KGNN分析方法与纯数据驱动神经网络（BPNN）的结果对比表明，尽管BPNN在测试集上表现更好，在分析墩柱承载力时均方误和相关系数分别为0.070和0.978，而KGNN模型结果为0.108和0.942，但BPNN所预测的墩柱特征对承载力的影响规律与经验知识并不吻合，亦即未能准确反映墩柱特征与其力学性能间的关系，发生了过拟合。而该KGNN方法不仅可以快速准确获得RC墩柱力学性能，且预测规律与经验知识吻合较好，具有更高的可靠性和实用性。