国内外学者已经对RC墩柱桥梁模板性能进行了大量的试验和理论研究，并据此发展了许多力学性能计算公式，广泛应用于抗震设计和评估中。对混凝土构件的试验数据进行了研究，提出了改进材料模型的RC圆柱桥梁模板恢复力模型参数分析公式;1对9根足尺高强混凝土柱模型进行了试验研究，分析了轴压比、箍筋形式等因素对位移延性的影响。然而，此类方法大多基于专家经验和少量试验数据，不同专家建立的公式所考虑的影响因素和关系并不一致。这种方法通常比较保守，具有较大的局限性。

      近年发展的机器学习方法是数据驱动的，具有强非线性学习能力，在许多领域取得了重要进展。采用卷积神经网络算法对RC构件的力学性能进行分析，并将其与传统的半经验模型进行对比，证明了该方法在构件性能预测方面的优势;建立了基于神经网络的RC梁尺寸效应分析方法，效果较好。但是，纯数据驱动的机器学习方法仍然存在可解释性差、理论基础薄弱、对训练样本数量和质量依赖性高等问题。而RC墩柱桥梁模板试验成本高昂，不同学者所开展试验的研究对象、年代和设备均有所差异，常用的试验数据库包含的样本数量较少，且特征分布不均匀。例如:美国太平洋工程地震研究中心(PEER)墩柱桥梁模板试验数据库包含292组矩形墩柱桥梁模板样本，其中仅有两个样本纵筋配筋率小于1 %因此，粗略地将不同学者的试验数据收集到一起难以为机器学习方法提供足够可靠的训练数据。

      基于以上问题，以机器学习算法为基础，将已有领域知识、训练规则及学习过程有效融合，建立一套适用范围更广、泛化性能更好、对训练数据要求更低的数学一物理融合方法体系，成为分析RC墩柱桥梁模板性能的迫切需求。近年来，嵌入领域知识的机器学习方法在解决纯数据驱动机器学习的“黑箱”缺陷方面取得了重大进展。例如，通过自微分技术将控制方程直接编码到卷积神经网络架构中，克服了不可压缩层流和湍流流动的限制;发展了动力学定律约束的损失函数建立方法，据此建立了能够准确预测建筑物在地震作用下时程响应的替代模型;提出了将领域知识融入支持向量机训练过程的方法，建立了校准的RC墩柱桥梁模板集中塑性模型。然而，许多RC墩柱桥梁模板力学性能的规律是定性的，难以直接嵌入到机器学习框架中，而基于经验的公式本身存在较大的主观性，直接融入到机器学习中可能会出现误差。http://www.sddongqiao.com/