然而,BPNN模型和KGNN模型預測的輸入參數對輸出參數的影響卻并不一致。以截面尺寸b(b=d)為例說明,圖7為在其他參數確定時(PI=2.0%,fyl-420MPa,ps-2.0%,f,,t-500MPa,刀=40MPa,變形能力分析。
采用本文提出的KGNN方法和傳統的BPNN方法分別建立模型預測RC墩柱橋梁模板極限變形能力d。選擇20作為最優隱含層神經元數量。圖8為建立的KGNN和NN模型在訓練集和測試集上的分析結果。BPNN模型在訓練集和測試集數據上的分析指標E分別為0.145和0.168,R2分別為0.825和0.783;而KGNN模型在訓練集和測試集數據上的分析指標E分別為0.153和0.178,R2分別為0.801和0.732。由圖6和圖8可以看出,與峰值承載力模型相比,建立的極限變形分析模型精確度較低。這是由于試驗數據中RC墩柱橋梁模板變形能力較承載力存在更多的不確定因素,更加凸顯了加入領域經驗知識的必要。此外,依然可以看出KGNN和BPNN模型對訓練集和測試集數據樣本的分析較為準確,與試驗結果吻合較好。僅以分析精度而言,BPNN模型分析結果比KGNN模型結果更為準確。采用建立的BPNN和KGNN模型對截面尺寸為300mmX300mm的RC墩柱橋梁模板進行分析,研究各參數對RC墩柱橋梁模板極限變形能力的影響規律。結果表明,BPNN與KGNN對于各參數的影響分析結果并不完全一致。以體積配箍率PS、為例,圖9為在其他參數確定時(n=0.2p1-2.0%,fy-420MPa,fyt-500MPa,f=40MPa,=3.0),ps對。的影響。BPNN模型中,RC墩柱橋梁模板極限變形能力d預測值隨Ps的增加先增加后降低。這與經驗規律并不一致,隨著體積配箍率的增加,箍筋對于核心區混凝土的約束作用也會提高,RC墩柱橋梁模板的極限變形能力也應逐步增加,KGNN模型預測結果與實際規律一致。這是因為訓練集中部分特征分布不均勻,純數據驅動的BPNN模型在訓練過程中會更多地傾向于與數據分布密集的特征區間結果相一致,而本文建立的KGNN模型可以克服該缺陷。http://www.changmaichina.com/