經過比較不同隱含層神經元數量的模型性能，本文選擇12為最優KGNN和BPNN隱含層神經元數量，建立RC墩柱橋梁模板峰值承載力KGNN和BPNN模型。圖6為各模型在訓練集和測試集上的預測結果與試驗值比較。由圖6可以看出，KGNN和BPNN模型在訓練集和測試集數據樣本分析中均取得了較可靠的分析結果，與試驗結果吻合較好。其中，BPNN模型在訓練集和測試集數據的分析指標E分別為0.106和0.070,擴分別為0.963和0.978;而KGNN模型在訓練集和測試集數據上的分析指標E分別為0.110和0.108,護分別為0.936和0.942。因此，僅以分析精度而言，BPNN模型分析結果比KGNN模型結果更為準確。
然而，BPNN模型和KGNN模型預測的輸入參數對輸出參數的影響卻并不一致。以截面尺寸b(b=d)為例說明，圖7為在其他參數確定時(PI=2.0%,壽1=420MPa,ps-2.0%壽:=500MPa,刀=40MPa,=3.0)，截面尺寸b對峰值承載力vmax預測值的影響。由圖7可以看出，BPNN模型中，RC墩柱橋梁模板峰值承載力預測值隨截面尺寸的增大而先增大后減小，這與經驗知識不符。根據領域經驗知識，峰值承載力隨截面尺寸增大而增大，這與KGNN模型預測結果一致。這是由于目前收集到的RC墩柱橋梁模板試驗數據比較有限且構件離散性較大。純數據驅動的BPNN方法僅會根據誤差調整模型，該方法一般對于訓練集特征范圍內樣本的預測精度較高，但較難準確反映訓練集特征范圍以外的參數對RC墩柱橋梁模板峰值承載力的影響;而KGNN方法在訓練過程中會剔除與經驗知識不符的模型，然后再比較各模型的準確性。因此，基于此方法建立的模型可以更準確地反映RC墩柱橋梁模板特性中蘊含的內在規律。http://www.p2y8erm.cn/ |
