经过比较不同隐含层神经元数量的模型性能，本文选择12为最优KGNN和BPNN隐含层神经元数量，建立RC墩柱桥梁模板峰值承载力KGNN和BPNN模型。图6为各模型在训练集和测试集上的预测结果与试验值比较。由图6可以看出，KGNN和BPNN模型在训练集和测试集数据样本分析中均取得了较可靠的分析结果，与试验结果吻合较好。其中，BPNN模型在训练集和测试集数据的分析指标E分别为0.106和0.070,扩分别为0.963和0.978;而KGNN模型在训练集和测试集数据上的分析指标E分别为0.110和0.108,护分别为0.936和0.942。因此，仅以分析精度而言，BPNN模型分析结果比KGNN模型结果更为准确。
  然而，BPNN模型和KGNN模型预测的输入参数对输出参数的影响却并不一致。以截面尺寸b(b=d)为例说明，图7为在其他参数确定时(PI=2.0%,寿1=420MPa,ps-2.0%寿:=500MPa,刀=40MPa,=3.0)，截面尺寸b对峰值承载力vmax预测值的影响。由图7可以看出，BPNN模型中，RC墩柱桥梁模板峰值承载力预测值随截面尺寸的增大而先增大后减小，这与经验知识不符。根据领域经验知识，峰值承载力随截面尺寸增大而增大，这与KGNN模型预测结果一致。这是由于目前收集到的RC墩柱桥梁模板试验数据比较有限且构件离散性较大。纯数据驱动的BPNN方法仅会根据误差调整模型，该方法一般对于训练集特征范围内样本的预测精度较高，但较难准确反映训练集特征范围以外的参数对RC墩柱桥梁模板峰值承载力的影响;而KGNN方法在训练过程中会剔除与经验知识不符的模型，然后再比较各模型的准确性。因此，基于此方法建立的模型可以更准确地反映RC墩柱桥梁模板特性中蕴含的内在规律。http://www.qlmb.net/