用于桥墩局部冲刷预测的深度神经网络
神经与进化计算
2019-10-10 v1 机器学习
摘要
随着过去几十年计算能力的进步，深度神经网络（DNN）——由两层或更多隐藏层及大量节点组成——正被提议作为常用单隐藏层神经网络（ANN）的替代方案。DNN 被发现是具有极大量参数的灵活模型，因而能够建模输入与输出之间存在的非常复杂和高度非线性的关系。本文研究了由一个 3 隐藏层（100、80 和 50 个节点）组成的 DNN 利用现场数据预测桥墩周围局部冲刷的潜力。为更新 DNN 的权重和偏置，使用了一种自适应学习率优化算法。数据集包含 232 个桥墩冲刷测量值，其中总计 154 个数据用于训练，其余 78 个数据用于测试所创建的模型。DNN 取得了 0.957 的相关系数（均方根误差 = 0.306m），而 ANN 为 0.938（0.388m），表明 DNN 在冲刷深度预测方面性能更优。该工作中所用数据集上的令人鼓舞的性能表明，需要在各种土木工程应用中对 DNN 的使用进行更多研究。
引用
@article{arxiv.1910.03804,
title = {Deep neural network for pier scour prediction},
author = {Mahesh Pal},
journal= {arXiv preprint arXiv:1910.03804},
year = {2019}
}
备注
7 pages, 2 figure, conference paper