Introducing a Physics-informed Deep Learning Framework for Bridge Scour Prediction

本文介绍了一种基于深度学习的混合物理数据驱动框架——"Scour Physics-Informed Neural Networks" (SPINNs)，用于桥梁冲刷预测。SPINNs基于历史冲刷监测数据进行开发，并将基于物理的经验方程式整合到神经网络中作为补充损失组件。我们将LSTM、CNN和NLinear三种架构作为基础数据驱动模型进行了整合。尽管在不同的基础模型和桥梁之间表现存在差异，但总体而言，SPINNs的表现优于纯数据驱动模型。在某些桥梁案例中，SPINN将预测误差降低了高达50％。在本研究中，我们还探索了针对桥梁群的通用模型，通过聚合一个地区内多个桥梁的数据集进行训练。纯数据驱动模型大多受益于这种方法，特别是数据受限的桥梁。然而，针对具体桥梁的SPINNs为几乎所有案例研究提供了更准确的预测。此外，从SPINNs中导出的时变经验方程式在估计最大冲刷深度方面表现出合理的准确性，相较于HEC-18提供了更准确的预测。将SPINNs和纯深度学习模型与传统的HEC-18方程式进行比较，可以发现在冲刷预测准确性方面有了显著的提高。本研究为实施混合物理机器学习方法用于桥梁冲刷设计和维护铺平了道路。

本论文旨在通过深度学习和物理-数据驱动的混合框架来预测桥梁冲刷，解决传统方法的准确度低的问题。

论文提出了一种称为SPINNs的框架，将基于历史监测数据的物理方程式融入神经网络中作为补充损失组件，以提高预测准确度。该框架结合了LSTM、CNN和NLinear三种基础数据驱动模型，相比传统方法有更高的预测精度。

实验表明，SPINNs对于大部分案例都能提高预测准确度，甚至在某些桥梁案例中，能将预测误差降低50%。研究还探索了针对桥梁群的通用模型，纯数据驱动模型从中受益匪浅。此外，SPINNs提供了更准确的最大冲刷深度预测，比HEC-18方程更为精确。研究为采用混合物理-机器学习方法进行桥梁冲刷设计和维护铺平了道路。

在这个领域中，最近的相关研究包括使用深度学习来预测桥梁冲刷的方法，以及使用传统方法和基于机器学习的方法来预测水文过程的方法。