经验知识监督的RC墩柱力学性能神经网络分析方法.pdfVIP

第56卷第1期工程科学与技术Vol.56No.1

2024年1月ADVANCEDENGINEERINGSCIENCESJan.2024

•智能交叉科学与工程•

DOI:10.15961/j.jsuese.202200665

经验知识监督的RC墩柱力学性能神经网络分析方法

1,22,31*

刘振亮，李素超，赵存宝

(1.石家庄铁道大学安全工程与应急管理学院，河北石家庄050043；2.河北省大型结构健康诊断与控制重点实验室，河北石家庄050043；

3.哈尔滨工业大学（威海）土木工程系，山东威海264209)

摘要：基于试验或数值模拟的单一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-guidedneuralnetwork，

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的影响规律，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：BPNN在测试集上表现更

22

好，在分析墩柱承载力时均方根误差（E）和拟合系数（R）分别为0.070和0.978，KGNN模型的E和R分别为0.108和

0.942；但由于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，即未能准确反映墩柱特征与其

力学性能间的关系，BPNN模型发生了过拟合；而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成为一种

新的RC结构力学性能分析方法。

关键词：钢筋混凝土墩柱；数物融合的神经网络；经验知识；力学性能；试验数据库

中图分类号：TU375.4文献标志码：A文章编号：2096-3246（2024）01-0035-09

钢筋混凝土（RC）墩柱可以综合利用钢筋和混凝凝土构件的试验数据进行了研究，提出了改进

土的材料力学特性，是建筑、桥梁等现代结构的主要Ibarra–Medina–Krawinkler材料模型的RC圆柱恢复力

[7]

支撑构件。然而，灾后调查表明：在地震等自然灾害模型参数分析公式；吕西林等对9根足尺高强混凝

[1–2]

作用下墩柱容易受到损伤，这可能导致严重后果。土柱模型进行了试验研究，分析了轴压比、箍筋形式

例如，1995年日本神户地震导致25%的桥梁墩柱完全等因素对位移延性的影响。然而，此类方法大多基于

损坏，严重阻碍震后抢险救灾和恢复重建工作