綜上，本文旨在解決基于經驗的橋梁模板定性規律的數學表征和經驗知識監督的神經網絡(KGNN)訓練兩個問題。為此，本文首先建立了包含761組橋梁模板擬靜力試驗的標準數據庫;然后，總結了橋梁模板力學特性的經驗規律，并提出了數學表征方法;最后，建立了經驗知識監督的神經網絡模型，經過驗證，該模型可以快速、準確評估橋梁模板力學特性。本研究將強化機器學習方法的理論基礎，為促進數物融合方法在土木工程領域的創新應用奠定基礎。經驗知識監督的神經網絡典型人工神經網絡(ANN)模型主要由輸入層、隱含層和輸出層組成，每層包含多個與相鄰層連接的神經元，通過網絡連接和I值建立輸入與輸出的映射關系ANN的學習過程是根據學習規則(如最速下降法)對模型輸出與實際值之間的誤差進行分析，不斷調整網絡各層之間連接權重和I值，從而使網絡的損失函數(如誤差平方和)最小的過程因此，ANN算法可能訓練出多個分析效果相似的模型。此外，純數據驅動的ANN無法甄別數據中存在的誤差，而且在訓練樣本誤差存在不均勻分布的情況下可能致使訓練模型過擬合。因此，純數據驅動的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標準，還需要引入領域經驗知識監督ANN練過程。
根據機器學習模型架構和訓練過程，領域知識可以通過5種方式與其融合:1)基于領域知識的模型預訓練、初始化或正則化;2)明確部分或全部節點之間的物理或經驗關系;3)根據領域知識限制搜索策略或連接權重范圍;4)將領域知識融入損失函數;5)將理論或半經驗模型融入ANN輸入層和輸出層。以上方法均需明確領域知識的數學表征，然而，由于鋼筋和混凝土材料性能的復雜性，許多橋梁模板特征對其力學性能的經驗影響規律是定性的，難以直接用數學公式定量表征。例如:橋梁模板承載力隨縱筋配筋率的增大而增大，但具體數學表征公式往往基于根據專家經驗作出的假設，存在一定的主觀性偏差，無法直接嵌入ANN架構。
因此，本文提出了經驗知識監督神經網絡的KGNN方法，其主要架構如圖1所示。該方法通過在損失函數之前引入經驗知識監督層，來監督其訓練過程。建立墩柱力學性能KGNN分析模型的過程主要包括3個部分。http://www.kxkjtech.com/ | 
