國內外學者已經對RC墩柱橋梁模板性能進行了大量的試驗和理論研究，并據此發展了許多力學性能計算公式，廣泛應用于抗震設計和評估中。對混凝土構件的試驗數據進行了研究，提出了改進材料模型的RC圓柱橋梁模板恢復力模型參數分析公式;1對9根足尺高強混凝土柱模型進行了試驗研究，分析了軸壓比、箍筋形式等因素對位移延性的影響。然而，此類方法大多基于專家經驗和少量試驗數據，不同專家建立的公式所考慮的影響因素和關系并不一致。這種方法通常比較保守，具有較大的局限性。

      近年發展的機器學習方法是數據驅動的，具有強非線性學習能力，在許多領域取得了重要進展。采用卷積神經網絡算法對RC構件的力學性能進行分析，并將其與傳統的半經驗模型進行對比，證明了該方法在構件性能預測方面的優勢;建立了基于神經網絡的RC梁尺寸效應分析方法，效果較好。但是，純數據驅動的機器學習方法仍然存在可解釋性差、理論基礎薄弱、對訓練樣本數量和質量依賴性高等問題。而RC墩柱橋梁模板試驗成本高昂，不同學者所開展試驗的研究對象、年代和設備均有所差異，常用的試驗數據庫包含的樣本數量較少，且特征分布不均勻。例如:美國太平洋工程地震研究中心(PEER)墩柱橋梁模板試驗數據庫包含292組矩形墩柱橋梁模板樣本，其中僅有兩個樣本縱筋配筋率小于1 %因此，粗略地將不同學者的試驗數據收集到一起難以為機器學習方法提供足夠可靠的訓練數據。

      基于以上問題，以機器學習算法為基礎，將已有領域知識、訓練規則及學習過程有效融合，建立一套適用范圍更廣、泛化性能更好、對訓練數據要求更低的數學一物理融合方法體系，成為分析RC墩柱橋梁模板性能的迫切需求。近年來，嵌入領域知識的機器學習方法在解決純數據驅動機器學習的“黑箱”缺陷方面取得了重大進展。例如，通過自微分技術將控制方程直接編碼到卷積神經網絡架構中，克服了不可壓縮層流和湍流流動的限制;發展了動力學定律約束的損失函數建立方法，據此建立了能夠準確預測建筑物在地震作用下時程響應的替代模型;提出了將領域知識融入支持向量機訓練過程的方法，建立了校準的RC墩柱橋梁模板集中塑性模型。然而，許多RC墩柱橋梁模板力學性能的規律是定性的，難以直接嵌入到機器學習框架中，而基于經驗的公式本身存在較大的主觀性，直接融入到機器學習中可能會出現誤差。http://www.changmaichina.com/