然而，BPNN模型和KGNN模型预测的输入参数对输出参数的影响却并不一致。以截面尺寸b(b=d)为例说明，图7为在其他参数确定时(PI=2.0%,fyl-420MPa,ps-2.0%,f,,t-500MPa,刀=40MPa,变形能力分析。

      采用本文提出的KGNN方法和传统的BPNN方法分别建立模型预测RC墩柱桥梁模板极限变形能力d。选择20作为最优隐含层神经元数量。图8为建立的KGNN和NN模型在训练集和测试集上的分析结果。BPNN模型在训练集和测试集数据上的分析指标E分别为0.145和0.168,R2分别为0.825和0.783;而KGNN模型在训练集和测试集数据上的分析指标E分别为0.153和0.178,R2分别为0.801和0.732。由图6和图8可以看出，与峰值承载力模型相比，建立的极限变形分析模型精确度较低。这是由于试验数据中RC墩柱桥梁模板变形能力较承载力存在更多的不确定因素，更加凸显了加入领域经验知识的必要。此外，依然可以看出KGNN和BPNN模型对训练集和测试集数据样本的分析较为准确，与试验结果吻合较好。仅以分析精度而言，BPNN模型分析结果比KGNN模型结果更为准确。采用建立的BPNN和KGNN模型对截面尺寸为300mmX300mm的RC墩柱桥梁模板进行分析，研究各参数对RC墩柱桥梁模板极限变形能力的影响规律。结果表明，BPNN与KGNN对于各参数的影响分析结果并不完全一致。以体积配箍率PS、为例，图9为在其他参数确定时(n=0.2p1-2.0%,fy-420MPa,fyt-500MPa,f=40MPa,=3.0),ps对。的影响。BPNN模型中，RC墩柱桥梁模板极限变形能力d预测值随Ps的增加先增加后降低。这与经验规律并不一致，随着体积配箍率的增加，箍筋对于核心区混凝土的约束作用也会提高，RC墩柱桥梁模板的极限变形能力也应逐步增加，KGNN模型预测结果与实际规律一致。这是因为训练集中部分特征分布不均匀，纯数据驱动的BPNN模型在训练过程中会更多地倾向于与数据分布密集的特征区间结果相一致，而本文建立的KGNN模型可以克服该缺陷。http://www.sddongqiao.com/