基于物理约束的Transformer架构在非恒定流下桥梁局部冲刷深度时序预测中的创新应用

（编者按）本研究首创融合水力学机理与自适应时序分辨率的轻量化Transformer模型，通过流体特征提取器（hydrodynamic feature extractor）和逻辑增强注意力机制，实现桥梁基础冲刷深度的高效预测。模型创新性地采用冲刷流体力学掩码（scour fluid mechanics informed mask）降低数据依赖，较传统机器学习方法提升5.06倍计算效率，为防洪基础设施实时监测系统提供可部署解决方案。

　　

Highlight

本研究针对非恒定流条件下桥梁冲刷预测的智能建模提出三大突破性进展：

1. 1.

   物理感知架构

   首次通过自适应注意力机制将泥沙输移原理融入神经网络运算，在特征提取阶段显式编码水动力约束（如水力因子h_c和泥沙因子S_t）与结构参数，使模型具备冲刷物理一致性。

2. 2.

   计算效率突破

   通过冲刷流体力学掩码（SFM-mask）替代传统位置编码，在标准工程案例测试中较传统机器学习方法获得5.06倍计算效率提升，响应时间缩短至适用于实时监测场景。

3. 3.

   可解释性增强

   采用物理一致的冲刷注意力机制（PCSA）解析模型决策过程，可视化显示涡流强度与冲刷速率的非线性耦合关系，突破传统黑箱模型局限。

Model optimization

冲刷数据集间缺乏时序逻辑关联，直接输入会导致无关信息干扰。本研究改进的轻量化Transformer通过以下策略优化：

• •

  引入时间解耦训练（TDT）技术消除虚假关联

• •

  采用动态掩码矩阵隔离不同冲刷事件

• •

  嵌入流体力学先验知识约束注意力权重分布

Evaluation criteria

采用五维评估体系：

• •

  均方根误差（RMSE）突显大误差影响

• •

  平均方向精度（MDA）衡量趋势预测能力

• •

  平均绝对误差（MAE）

• •

  决定系数R²

• •

  平均绝对百分比误差（MAPE）

Discussion

当前智能冲刷预测面临两大挑战：

1. 1.

   物理机制与数据驱动模型的融合难题

2. 2.

   超宽深网络架构带来的计算负担

   本模型通过"流体力学-机器学习"双模块协同架构，在保持参数量<10⁶级别下实现90.3%的MDA指标。

Conclusion

该架构为水力工程领域带来三项根本性进步：

1. 1.

   建立首个包含泥沙起动临界条件的神经网络算子

2. 2.

   开发具有物理可解释性的时间注意力机制

3. 3.

   证明轻量化模型在复杂流体-结构相互作用建模中的优越性