基于物理启发的深度学习与可迁移模型用于桥梁沉积预测
机器学习
2024-09-11 v3
摘要
本文引入了基于沉积物理的神经网络（SPINNs），一种用于桥梁沉积预测的混合物理数据驱动框架。SPINNs 将基于物理的经验方程集成到深度神经网络中，并使用现场特定的历史沉积监测数据进行训练。我们考虑长短期记忆网络（LSTM）和卷积神经网络（CNN）作为基本深度学习（DL）模型。我们还探讨了使用来自桥梁集群的数据集训练的可迁移/通用模型，与特定于现场/桥梁的模型进行比较。尽管在不同情况下性能有所不同，SPINNs 在大多数情况下均优于纯数据驱动模型。在某些桥梁案例中，SPINN 可将预测误差降低最高可达 50%。纯数据驱动模型在可迁移性方面表现优于混合模型。特别是，对于数据有限的桥梁，迁移式 DL 模型表现尤为出色。此外，来自 SPINNs 的校准时间依赖经验方程在最大沉积深度估计方面显示出巨大的潜力，相较于常用的 HEC-18 模型，提供了更精确的预测。将 SPINNs 与传统经验模型进行比较表明，在沉积预测准确性方面存在显著的改进。这一研究为进一步探索基于物理的机器学习方法进行沉积预测之路。
引用
@article{arxiv.2407.01258,
title = {Physics-Inspired Deep Learning and Transferable Models for Bridge Scour Prediction},
author = {Negin Yousefpour and Bo Wang},
journal= {arXiv preprint arXiv:2407.01258},
year = {2024}
}