综上，本文旨在解决基于经验的桥梁模板定性规律的数学表征和经验知识监督的神经网络(KGNN)训练两个问题。为此，本文首先建立了包含761组桥梁模板拟静力试验的标准数据库;然后，总结了桥梁模板力学特性的经验规律，并提出了数学表征方法;最后，建立了经验知识监督的神经网络模型，经过验证，该模型可以快速、准确评估桥梁模板力学特性。本研究将强化机器学习方法的理论基础，为促进数物融合方法在土木工程领域的创新应用奠定基础。经验知识监督的神经网络典型人工神经网络(ANN)模型主要由输入层、隐含层和输出层组成，每层包含多个与相邻层连接的神经元，通过网络连接和I值建立输入与输出的映射关系ANN的学习过程是根据学习规则(如最速下降法)对模型输出与实际值之间的误差进行分析，不断调整网络各层之间连接权重和I值，从而使网络的损失函数(如误差平方和)最小的过程因此，ANN算法可能训练出多个分析效果相似的模型。此外，纯数据驱动的ANN无法甄别数据中存在的误差，而且在训练样本误差存在不均匀分布的情况下可能致使训练模型过拟合。因此，纯数据驱动的ANN模型的性能并不是衡量墩柱性能分析模型有效性的唯一标准，还需要引入领域经验知识监督ANN练过程。
  根据机器学习模型架构和训练过程，领域知识可以通过5种方式与其融合:1)基于领域知识的模型预训练、初始化或正则化;2)明确部分或全部节点之间的物理或经验关系;3)根据领域知识限制搜索策略或连接权重范围;4)将领域知识融入损失函数;5)将理论或半经验模型融入ANN输入层和输出层。以上方法均需明确领域知识的数学表征，然而，由于钢筋和混凝土材料性能的复杂性，许多桥梁模板特征对其力学性能的经验影响规律是定性的，难以直接用数学公式定量表征。例如:桥梁模板承载力随纵筋配筋率的增大而增大，但具体数学表征公式往往基于根据专家经验作出的假设，存在一定的主观性偏差，无法直接嵌入ANN架构。
  因此，本文提出了经验知识监督神经网络的KGNN方法，其主要架构如图1所示。该方法通过在损失函数之前引入经验知识监督层，来监督其训练过程。建立墩柱力学性能KGNN分析模型的过程主要包括3个部分。http://www.zbtaixing.com/