基于试验或数值模拟的单一墩柱桥梁模板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)墩柱桥梁模板力学性能试验数据、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墩柱桥梁模板力学性能神经网络分析方法。首先，建立了包含761组RC墩柱桥梁模板拟静力试验样本的数据库;随后，基于经验知识分析了RC墩柱桥梁模板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墩柱桥梁模板试验数据及经验知识融人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墩柱桥梁模板力学性能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在测试集上表现更好，在分析墩柱桥梁模板承载力时均方根误差(引和拟合系数(扩)分别为0.070和0.978, KGNN模型的E和扩分别为0.108和0.942;但由于BPNN所预测的墩柱桥梁模板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桥梁模板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墩柱桥梁模板力学性能，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。
  钢筋混凝土(RC)墩柱桥梁模板可以综合利用钢筋和混凝土的材料力学特性，是建筑、桥梁等现代结构的主要支撑构件。然而，灾后调查表明:在地震等自然灾害作用下墩柱桥梁模板容易受到损伤，这可能导致严重后果。例如地震导致25%的桥梁墩柱桥梁模板完全损坏，严重阻碍震后抢险救灾和恢复重建工作的开展，直接经济损失达26g亿美元。为了确保结构安全，需要进行合理的抗震设计和分析，即能够快速准确地获得RC墩柱桥梁模板力学性能。http://www.qlmb.net/