Jul, 2024
引入物理可知的深度学习框架用于桥梁冲刷预测
Introducing a Physics-informed Deep Learning Framework for Bridge Scour Prediction
Negin Yousefpour, Bo Wang
TL;DR该研究介绍了一种基于历史冲刷监测数据开发的基于物理和数据驱动的混合框架，称为 SPINNs（Scour Physics-Informed Neural Network Algorithms），用于桥梁冲刷预测的深度学习算法。通过将物理基于经验的方程式作为辅助损失组件，SPINNs 将这些方程式整合到神经网络中。本研究通过考察三种架构：LSTM、CNN 和 NLinear，发现简单架构的 NLinear 具有最高的准确性和较低的计算成本。相比纯数据驱动模型，SPINNs 在冲刷预测方面表现更加优越。该研究还探索了将多座桥梁的训练数据集聚合为桥梁群的泛化模型，并发现与时间相关的经验方程式可以提供更准确的预测结果。使用 SPINNs 训练得出的三个经验方程式在估计最大冲刷深度方面具有合理的准确度。相比传统的 HEC-18 模型，SPINNs 和纯深度学习模型在冲刷预测准确性方面均有显著改善，为桥梁冲刷设计和维护提供了有前景的混合机器学习方法。