Application of Long-Short Term Memory and Convolutional Neural Networks for Real-Time Bridge Scour Forecast

本文研究桥墩周围冲刷是全球基础设施面临的关键挑战。由于缺乏分析模型和冲刷过程的复杂性，目前的经验方法难以实现准确预测。本文利用历史传感器监测数据，包括河床高程、流量高程和流速，利用深度学习算法预测桥墩周围冲刷深度变化。作者使用了来自阿拉斯加和俄勒冈的桥梁数据，探究了长短期记忆（LSTM）和卷积神经网络（CNN）模型在实时冲刷预测方面的表现。LSTM模型在预测一周内床面高度变化方面的平均绝对误差（MAE）在0.1米到0.5米之间，表现合理。CNN的完全卷积网络（FCN）变体优于其他CNN配置，在显著降低计算成本的同时，表现与LSTM相当。作者还探索了各种创新的随机搜索启发式方法，用于超参数调整和模型优化，结果相比网格搜索方法，降低了计算成本。传感器特征的不同组合对冲刷预测的影响显示了历史时间序列对于预测未来事件的重要性。总的来说，本研究提供了深度学习在不同冲刷和流量特征的桥梁实时冲刷预测和预警中的潜力的更深入的理解。

利用深度学习算法预测桥墩周围冲刷深度变化，解决了当前经验方法难以准确预测的问题。

使用历史传感器监测数据，包括河床高程、流量高程和流速，探索了LSTM和CNN模型在实时冲刷预测中的表现。其中，FCN CNN模型在计算成本显著降低的情况下，表现与LSTM相当。

实验使用了来自阿拉斯加和俄勒冈的桥梁数据集，探索了各种随机搜索启发式方法进行超参数调整和模型优化，证明了历史冲刷时间序列对于预测未来事件的重要性。

近期相关研究包括基于机器学习的桥梁健康监测，以及基于深度学习的自然灾害预测。