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

本文旨在解决全球基础设施中桥墩周围冲刷的重要挑战。由于缺乏分析模型和冲刷过程的复杂性，当前经验方法难以实现准确预测。因此，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。我们研究了来自2006年至2021年阿拉斯加和俄勒冈州桥梁的数据，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性能。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米至0.5米之间，表现合理。CNN的全卷积网络(FCN)变体优于其他CNN配置，在显著降低计算成本的同时，表现出与LSTM相当的性能。我们探索了各种创新的随机搜索启发式方法以进行超参数调整和模型优化，与网格搜索方法相比，计算成本减少了。不同传感器特征组合对冲刷预测的影响表明，历史时间序列对于预测即将发生的事件具有重要意义。总的来说，本研究为深度学习算法在具有不同地质、地貌和流量特征的桥梁的实时冲刷预测和预警方面的潜力提供了更深入的理解。

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性能。其中，FCN变体的CNN表现最佳，相对于LSTM具有更低的计算成本。

使用了创新的随机搜索启发式算法进行超参数调优和模型优化，降低了计算成本。研究表明，历史冲刷时间序列对于预测未来事件具有重要意义。该研究提供了深度学习算法在实时冲刷预测和桥梁早期预警方面的潜力。

最近的相关研究包括使用机器学习算法进行桥梁结构健康监测和预测，如《A review of machine learning applications in bridge health monitoring and prediction》。