此外，研究橋梁模板力學性能相關經驗知識的數學表征方法，并分析KGNN模型預測的規律aX;j它、為RC構件i的第k個力學特性參數預測值)，據此建立經驗知識一致性判斷函數L(。勿ax>勿ax為所有預測值Y對輸J偏導數，Y=Y;k)，將其嵌入神經網絡架構以監督其訓練過程，從而篩選出符合經驗知識的訓練模型，且剔除不符合經驗知識的模型，如下所示:從mnLay/ax>PaY;klax;j>(2)i=1j=1k=1式中，Ns,m和n為樣本數量、輸入特征數量和輸出特征數量，P(aY;k/ax;j)為基于經驗知識的判斷函數，計算方程如下所示:P(aY;k/ax;j>=:aY;k/aX;jxaY;k/aX;j>0;aY;klax;rxaY;klax;r。(3)aY;klax;j=Yrkxr>>xr2…,x;j+d,x;j+l，…)一x>(4)式中，4(d>0)為輸入參數增量。當KGNN模型預測規律與經驗知識一致時，即。YrklaxrjxaY;klaxrj>0且La勿ax>=o，說明KGNN模型能夠正確反映各參數影響，模型進入最優模型候選區;否則將其剔除。模型訓練與驗證:將訓練集數據輸入到訓練模型中反復訓練不同架構的KGNN模型，將所有符合經驗知識的模型收入最優模型優選區;并通過各模型的性能比較確定最優的模型。為了驗證訓練結果的有效性，本文采用均方根誤差(E)與擬合系數(R2)來評估各模型的誤差和擬合度:式中，Ek為對第k個力學特性參數預測的均方根誤差，Rzk為對第價力學特性參數預測的擬合度，Y、為所有樣本的第k個力學特性參數平均值，NS為數據集樣本的數量。可以看出，Eke小、Rzk越大，則模型預測結果越好。據此可確定最優模型架構及連接權重，得到橋梁模板力學性能KGNN分析模型。http://www.changmaichina.com/