引入物理可知的深度学习框架用于桥梁冲刷预测
原文中文,约500字,阅读约需2分钟。发表于: 。该研究介绍了一种基于历史冲刷监测数据开发的基于物理和数据驱动的混合框架,称为 SPINNs(Scour Physics-Informed Neural Network Algorithms),用于桥梁冲刷预测的深度学习算法。通过将物理基于经验的方程式作为辅助损失组件,SPINNs 将这些方程式整合到神经网络中。本研究通过考察三种架构:LSTM、CNN 和 NLinear,发现简单架构的...
该研究介绍了一种名为SPINNs的深度学习算法,用于桥梁冲刷预测。研究发现,NLinear架构具有最高准确性和较低计算成本。SPINNs在冲刷预测方面表现更优越。研究还发现,聚合多座桥梁的训练数据集为桥梁群的泛化模型,并使用时间相关的经验方程式可以提供更准确的预测结果。SPINNs和纯深度学习模型在冲刷预测准确性方面均有显著改善,为桥梁冲刷设计和维护提供了有前景的混合机器学习方法。