经验知识监督的RC墩柱力学性能神经网络分析方法

作者：刘振亮; 李素超; 赵存宝^*

来源：工程科学与技术, 2023, 1-11.

DOI：10.15961/j.jsuese.202200665

• RC墩柱
• 数物融合的神经网络
• 经验知识
• 力学性能
• 试验数据库

单一基于试验或数值模拟的墩柱力学性能分析方法难以兼顾计算精度和效率，纯数据驱动的分析方法存在可解释性差和对数据依赖性强等问题。为此，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。因此，融合试验数据与经验知识的神经网络有望为RC结构力学性能分析提供一种新的研究方法。

• 单位
  哈尔滨工业大学（威海）; 石家庄铁道大学