通过粒子群优化集成学习和基于Shapley加性解释的物理解释,进一步提升压力-流速冲刷估算的准确性

《Ocean Engineering》:Advancing pressure-flow scour estimation through particle swarm optimized ensemble learning and shapley additive exPlanations-based physical interpretation

【字体: 大 中 小 】 时间:2026年08月28日 来源:Ocean Engineering 6.3

编辑推荐:

  该研究使用了332个实验观测数据点,其中210个数据点被选用于压力流冲刷模型的开发。这些数据点被用来开发基于PSO优化的梯度提升(Gradient Boosting)、随机森林(Random Forest)、XGBoost和支持向量回归(SVR)模型,以预测压力流冲刷现象。SHA

  该研究使用了332个实验观测数据点,其中210个数据点被选用于压力流冲刷模型的开发。这些数据点被用来开发基于PSO优化的梯度提升(Gradient Boosting)、随机森林(Random Forest)、XGBoost和支持向量回归(SVR)模型,以预测压力流冲刷现象。SHAP分析确定了yb/ya和D50/ya作为主要预测因子,提高了模型的可解释性。四特征梯度提升模型取得了最高的单次分割准确率(R2 = 0.967,RMSE = 0.081),而六特征模型在交叉验证中表现最佳(R2 = 0.856 ± 0.110)。留一法(Leave-One-Study-Out)、嵌套交叉验证(nested cross-validation)和敏感性分析评估了模型的可迁移性,量化了超参数选择偏差(ΔNSE ≈ 0.14),并确认了所有数据集的贡献作用。所提出的框架促进了可解释人工智能的发展,有助于实现可靠的压力流冲刷预测和桥梁安全性评估。

引言
冲刷是流动水体的侵蚀力,会从河流和溪流的河床及河岸上移除沉积物。这对桥梁、涵洞等水工结构的稳定性构成了严重威胁(Pandey和Nimbalkar, 2019; Das等, 2019; Nandi和Das, 2023; Kumari等, 2025)。根据美国地质调查局(USGS)的定义,冲刷是指结构基础周围的沉积物侵蚀。本研究关注与桥梁水力条件相关的冲刷现象。研究将其定义为由于边界物质被移除而导致流道宽度的增加(Laursen, 1952)。Melville和Coleman(2000)将其描述为由于水流侵蚀导致的河床变窄,这可能会暴露桥梁基础。这些定义表明,冲刷是一个受水动力因素影响的复杂过程,对结构稳定性和河流形状有重要影响。压力流冲刷是由于图1所示的垂直收缩造成的,当结构下方的有效水流深度减少时,水流速度会增加。速度的提高增强了湍流作用并降低了压力,从而加剧了侵蚀能力,导致河床沉积物的流失(Arneson和Abt, 1998; Verma等, 2004)。这会在结构下游形成一个低压区,卷入并输送沉积物,可能在桥墩和桥台周围形成深坑。此类侵蚀已导致多次重大结构故障,有研究表明,在1989年至2000年间,美国超过50-60%的桥梁故障与冲刷和洪水有关(Wardhana和Hadipriono, 2003; Lagasse, 2007)。全球范围内也有类似的情况,水力作用始终被认为是主要的故障机制。例如,在中国,约48%的桥梁故障归因于水力因素,其中123起记录在案的桥梁故障发生在洪水期间(Qin等, 2022)。在英国铁路网络中,自1846年以来,54起记录的桥梁故障与洪水期间的冲刷有关,这强调了桥梁基础设施对水力侵蚀的长期脆弱性(Lamb等, 2016)。印度的研究也报告了与洪水和基础问题相关的桥梁故障比例很高(Garg等, 2022)。由于桥梁有时并未设计为能够承受压力流条件下的增加的水深和流速,气候变化引起的极端水流事件频率上升进一步增加了风险(Madsen等, 2014)。

关于压力流冲刷的研究通过实证和理论模型取得了进展,Arneson和Abt(1998)、Guo等(2009)、Shan等(2012)以及Kocigit和Karakurt(2019)等人开发了在不同水流条件下估算冲刷深度的方法。先前的研究表明,流速强度、桥梁淹没程度和沉积物特性等因素对冲刷严重程度有显著影响。Verma等(2004)对淹没桥梁下的流速剖面和流线进行了详细研究,发现收缩会导致剪切应力增加,从而加剧压力流冲刷。多位研究人员(Lyn, 2008; Guo等, 2009; Shan等, 2012; Melville, 2014)开发了方程和模型来估算不同水流条件下的冲刷深度,考虑了流速强度和桥梁淹没程度等参数。Kumcu(2016)通过提供与流速强度和桥梁淹没程度相关的方程,改进了稳态和非稳态水流条件下的冲刷深度估算方法。Kocigit和Karakurt(2019)利用回归模型和无量纲参数估算了压力流条件下的最大冲刷深度,开发了用于初步桥梁设计和预测深度的实际工具。Carnacina等(2019a, 2019b)分析了压力流场景下圆柱形桥墩周围的流动模式,并引入了估算冲刷深度的技术。在没有桥墩的清水压力条件下,Abdelhaleem等(2023)研究了收缩长度和宽度对冲刷深度的影响,并创建了一个可用于压力流环境下桥梁设计的经验公式。Majid等(2023)利用粒子图像测速(PIV)技术对由垂直收缩引起的压力流进行了实验研究,他们的研究强调了收缩几何形状对压力流条件下流动湍流特性的影响。这些研究有助于开发对策措施,以减轻由垂直收缩引起的冲刷问题。

长期以来,压力流冲刷的预测主要依赖于多线性回归模型(Arneson和Abt, 1998; Kocyigit和Karakurt, 2019; Carnacina等, 2019b)和非线性回归模型(Guo等, 2009; Shan等, 2012; Abdelhaleem等, 2023),这些模型是基于实验室水池数据校准的,而很少有研究使用对数回归(Lyn, 2008; Shan等, 2012)。然而,这些模型的局限性已被充分记录,Lyn(2008)指出Arneson和Abt(1998)提出的方程在等式的两边都包含了因变量,导致统计关系具有误导性。Majid和Tripathi(2021)的综述分析了Arneson(1997)、Umbrell等(1998)、Guo等(2009)和Kocigit和Karakurt(2019)的工作,指出了某些模型对训练数据的敏感性,并对其通用性提出了质疑。研究表明,尽管某些模型在训练数据上表现良好,但在测试数据上表现较差,限制了它们的广泛应用。

在河流水力学中,人工智能(AI)和机器学习(ML)指的是从观测和模拟数据中学习复杂非线性模式的数据驱动方法,为基于物理的模型提供了有力补充(Yaseen等, 2019)。这些技术能够进行高维度预测和模式识别,适用于估算沉积物输送(Ebtehaj和Bonakdari, 2014)和从遥感数据中提取水力参数(Shao等, 2024)等关键应用。尽管在压力流冲刷领域应用AI/ML的研究较少,但Wang等(2024)将PCA增强的支持向量回归(SVR)模型应用于水平收缩冲刷,取得了优于传统回归模型的结果。与此同时,AI/ML模型在桥墩和桥台冲刷等相对简单的领域取得了显著成果。早期研究(Yun等, 2000; Zounemat-Kermani等, 2009)利用人工神经网络(ANNs)和自适应神经模糊推理系统(ANFIS)对局部桥墩冲刷进行了建模。Sharafati等(2021)进一步验证了ANNs在桥墩冲刷预测中的潜力,而Bateni等(2007)展示了ANNs在预测基础冲刷形成方面的有效性。Najafzadeh和Oliveto(2021)以及Pandey等(2020b, 2020a)的研究应用了神经模糊模型和混合学习方法,在保持物理一致性的同时提高了复杂场景下的预测准确性,如群桩冲刷和丁坝附近的冲刷。然而,这些早期成功也揭示了ANN和其他数据驱动模型的关键局限性,如冲刷深度预测常受到数据依赖性、可解释性问题和泛化能力有限的问题(Gulaly等, 2025; Usman等, 2025)。Lavaei等(2025)进行了一项综合研究,比较了三种机器学习模型(前馈神经网络FFNN、CatBoost和XGBoost),用于预测湍流平面壁射流引起的冲刷尺寸变化。这些模型在数据有限或噪声较大的情况下容易过拟合,导致在不同现场条件下的预测不准确,且其“黑盒”性质阻碍了对冲刷物理机制的理解(Devi和Kaushik, 2025; Duan等, 2025)。

集成学习方法的出现标志着解决这些限制的关键进展。Gupta等(2024)系统地比较了极端梯度提升回归器(XGBR)/随机森林回归器(RFR)和Extra Tree回归器(ETR)在预测桥墩周围时间依赖性冲刷深度方面的性能,表明XGBR具有更高的准确性,强调了集成方法在捕捉冲刷演变过程中的时间动态方面的有效性。Baranwal等(2024)的研究显示XGBoost在高度非线性数据集中的优势优于SVM-PSO混合模型。为了预测清水条件下桥墩周围的时间依赖性冲刷深度,Kumar等(2023)使用了支持向量回归器和集成机器技术(Bagging Regressor和AdaBoost Regressor)。Guguloth等(2024)将XGBoost与元启发式优化器(差分进化算法和粒子群优化)结合,用于预测淹没垂直射流下的静态和动态冲刷深度,取得了显著准确性。Sharafati等(2021)和Rathod及Manekar(2022)的研究中使用的进化方法(如基因表达编程GEP)在推导物理可解释方程方面具有灵活性优势,但也带来了更高的计算成本。Uzun和Kumcu(2025)评估了六种ML模型在平衡桥台冲刷方面的性能,其中决策树回归器和XGBoost的表现优于ANN,这与Kumar等(2024)的研究结果一致,即XGBR的时间预测能力更强。

最近的研究通过结合实验研究和数据驱动方法改进了冲刷预测。实验和元分析工作表明,如套管等减轻措施可以显著减少和重新分布冲刷(Ali等, 2025)。大规模分析显示,包括ANN、GEP和集成技术在内的机器学习模型在预测冲刷深度方面优于传统的经验公式(Nandi等, 2024, 2025; Nandi和Das, 2025),从而实现了更准确可靠的水力设计。Devi和Kaushik(2025)报告称,集成树模型在圆柱形桥墩冲刷方面的性能优于SVM和ANN,尤其是在涉及无量纲水力参数的情况下。前述研究表明,集成方法在各种冲刷相关研究中占据主导地位。尽管对压力流冲刷进行了大量研究,但大多数现有研究仍然依赖经验或基于回归的模型,这些模型往往无法在异构数据集上通用。机器学习方法在冲刷优化、鲁棒性和可解释性方面显示出潜力。

为了解决这些问题,本研究开发了基于PSO优化的集成机器学习模型,包括梯度提升、随机森林、XGBoost和支持向量回归,以准确预测压力流冲刷深度。使用了来自多个实验研究的综合数据集,并采用了两阶段SHAP特征选择框架来确定最具影响力的控制参数。最近,研究开始采用可解释AI技术(如SHAP)来解释水力工程中的应用中的复杂机器学习模型(Nandi和Das, 2025b)。本研究采用了SHAP,因为它基于合作博弈论的坚实理论基础,并能够提供一致且局部准确的特征归属。所提出的方法旨在提高预测准确性,减少过拟合,并提高模型可解释性,从而为水力设计和桥梁安全性评估提供了可靠工具。

由于控制过程是非线性的,并且依赖于水力、沉积物和几何因素的相互作用,因此准确预测由垂直收缩引起的压力流冲刷仍然具有挑战性。因此,最近的研究转向了如SHAP这样的可解释ML工具,以提高冲刷预测的准确性和可解释性(Akbar等, 2025; Choi等, 2025)。然而,大多数研究仍然使用随机训练-测试分割或传统的k折交叉验证(CV)对汇总的数据集进行模型评估。当数据来自具有不同实验设施、条件范围和参数范围的多个研究时,随机k折交叉验证(random k-fold CV)可能会将同一研究中的观测结果混合到训练集和测试集中,从而产生对于实际工程场景(预测新的、未见过的研究的结果)来说可能过于乐观的性能指标。为了直接评估跨研究的可迁移性,本研究使用了“留一法交叉验证”(Leave-One-Study-Out, LOSO),其中每个研究都被留作测试集,而模型则基于剩余的研究进行训练。这种设计与其他领域报告的“留源法验证”(leave-source-out)结果在概念上是一致的,后者相比混合k折交叉验证能够提供更真实的未见数据性能估计(Leinonen等人,2024年)。此外,本研究测试了从8个变量组合到2个变量组合的多种特征组合,以量化随着输入变量减少预测性能的变化。

### 维度分析
为了获得最大冲刷深度(ys)与其相关变量之间的基本关联,需要考虑所有影响冲刷过程的参数。根据Arneson和Abt(1998年)、Umbrell等人(1998年)、Shan等人(2012年)、Kocyigit和Karakurt(2019年)、Carnacina等人(2019a年、2019b年)以及Abdelhaleem等人(2023年)的研究,对独立参数和压力流情况下的最大冲刷深度进行了维度分析,并提出了相应公式。

### 极端梯度提升(XGBoost)
极端梯度提升(XGBoost)是一种极其有效且可扩展的梯度提升算法版本(Chen和He,2014年)。它通过逐步构建决策树集成来纠正已有集成的残差误差。与装袋方法(例如随机森林)不同,XGBoost以叠加的方式构建模型。针对预期的输出,每棵树都会被训练来预测结果。

### 粒子群优化(PSO)
粒子群优化(PSO)是一种基于群体的随机优化算法,其灵感来源于鸟群或鱼群的群集行为。该算法最初由Kennedy和Eberhart(1995年)提出,此后被广泛用于解决非线性和高维优化问题。PSO的基本概念是一组候选解(称为粒子)通过共享它们各自的信息来集体探索搜索空间。

### PSO优化的机器学习框架与SHAP解释
图3展示了基于PSO优化的机器学习框架的整体工作流程,该框架结合了基于SHAP的特征消除和解释功能。该方法包括基于SHAP值的递归特征选择、使用PSO算法的超参数优化、集成机器模型的预测以及基于可解释人工智能的解释。初始步骤是数据预处理,包括异常值去除和特征选择。

### 特征选择
特征选择是机器学习中的一个重要步骤,用于识别对预测目标结果最相关的变量(如无量纲压力流冲刷深度ysya),同时确保模型的可解释性和计算效率。尽管相关性分析能够捕捉线性关系,但它可能无法捕捉非线性的复杂依赖性。相关矩阵显示bya和D50ya等变量之间存在强到中等的关联。

### 讨论
本研究使用优化的机器学习框架全面评估了桥梁甲板下垂直收缩引起的压力流冲刷现象。讨论重点包括:(i)所选控制参数的物理相关性;(ii)在不同特征组合下机器学习模型的比较性能;(iii)对冲刷预测和桥梁安全评估的影响。

### 结论
本研究通过结合维度分析、来自已发表实验研究的综合数据编制、先进的机器学习模型以及可解释的人工智能技术,研究了桥梁甲板下垂直收缩引起的压力流冲刷现象。根据研究结果可以得出以下关键结论:
- 分析证实,传统的基于经验和回归的方程在预测压力流冲刷方面存在局限性。

### 作者贡献声明
Abhishek Pandey:概念化、数据整理、形式化分析、研究、方法论、可视化、撰写——初稿
Sai Guguloth:概念化、数据整理、形式化分析、方法论、可视化、撰写——初稿
Jew Das:研究、资源协调、监督、验证、撰写——审稿与编辑
Manish Pandey:研究、资源协调、监督、验证、撰写——审稿与编辑
Vishal Deshpande:研究、资源协调、监督、验证、撰写——审稿与编辑

### 利益冲突声明
作者声明他们没有已知的财务利益冲突或可能影响本文工作的个人关系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号