长短期记忆与卷积神经网络在实时桥梁冲刷预测中的应用
机器学习
2024-05-06 v2
摘要
桥墩周围的冲刷是世界各地基础设施面临的关键挑战。由于缺乏分析模型且冲刷过程复杂，当前的实证方法难以实现准确预测。在本文中，我们利用深度学习算法的力量，基于历史传感器监测数据（包括河床高程、水流高程和水流速度）来预测桥墩周围的冲刷深度变化。我们研究了长短期记忆（LSTM）和卷积神经网络（CNN）模型在实时冲刷预测中的性能，使用了2006年至2021年从阿拉斯加和俄勒冈州的桥梁收集的数据。LSTM模型在提前一周预测河床高程变化时实现了0.1米到0.5米的平均绝对误差（MAE），显示出合理的性能。CNN的全卷积网络（FCN）变体优于其他CNN配置，表现出与LSTM相当的性能，但计算成本显著降低。我们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，与网格搜索方法相比，降低了计算成本。不同传感器特征组合对冲刷预测的影响表明，历史冲刷时间序列对于预测即将发生的事件具有重要意义。总体而言，这项研究更深入地了解了深度学习算法在具有不同地质、地貌和水流特征的桥梁实时冲刷预测和早期预警中的潜力。
引用
@article{arxiv.2404.16549,
title = {Application of Long-Short Term Memory and Convolutional Neural Networks for Real-Time Bridge Scour Prediction},
author = {Tahrima Hashem and Negin Yousefpour},
journal= {arXiv preprint arXiv:2404.16549},
year = {2024}
}