《Array》：Evaluating Empirical Constraints and Data Augmentation in GA-Optimized Neural Networks for Scour Prediction Around Bridge Piers
编辑推荐：
摘要：准确预测桥墩周围的局部冲刷对于桥梁基础的安全和经济设计至关重要。然而，传统经验公式往往受限于其推导时的实验条件，而数据驱动模型则可能面临数据稀缺和泛化能力有限的问题。本研究开发并评估了一种结合数据增强、基于遗传算法（Genetic Algorithm,
摘要：准确预测桥墩周围的局部冲刷对于桥梁基础的安全和经济设计至关重要。然而，传统经验公式往往受限于其推导时的实验条件，而数据驱动模型则可能面临数据稀缺和泛化能力有限的问题。本研究开发并评估了一种结合数据增强、基于遗传算法（Genetic Algorithm, GA）的超参数优化以及经验冲刷约束的冲刷预测框架。研究人员将包含实验室和现场观测数据的文献数据库按五种桥墩几何形状分类：圆柱形、圆头形、方头形、尖头形和群桩。对每种几何形状分别施加高斯噪声注入，将数据库扩展至5000个样本，同时保留原始统计分布和变量间相关性。随后比较了两种模型：遗传算法优化的多层感知器（GA-MLP）和一种将Froehlich冲刷方程作为损失函数中软约束的混合深度学习（Hybrid Deep Learning, HDL）模型。模型性能采用均方误差（Mean Squared Error, MSE）、决定系数（Coefficient of Determination, R2）和Kling–Gupta效率（Kling–Gupta Efficiency, KGE）进行评估。总体而言，噪声增强提高了预测泛化能力，尽管提升程度取决于桥墩几何形状。噪声增强的GA-MLP在所研究的几何形状上的测试R2值介于0.87至0.96之间，Kling–Gupta效率介于0.84至0.97之间。其最佳性能出现在群桩情况下，MSE为0.0051，R2为0.96，KGE为0.97。对于圆头桩，其MSE为0.0088，R2为0.93，KGE为0.95。GA-MLP总体上优于受经验约束的模型，表明在考虑异构数据集和多种桥墩几何形状时，施加单一经验方程可能限制模型的灵活性。
# 论文解读：经验约束与数据增强在GA优化神经网络桥墩冲刷预测中的评估
## 一、研究背景与问题
桥梁基础设施对于国家社会经济发展具有至关重要的作用，而桥梁基础稳定性受到局部冲刷现象的严重威胁。冲刷是指水流对河床和河岸物质的侵蚀移除过程，已被确认为桥梁失效的主要原因。相较于桥台，桥墩因直接暴露于水流中而面临更高的冲刷风险。准确估算冲刷深度对于桥梁基础设计至关重要，因为预测不准确可能导致结构失效或造成不必要的经济负担。
然而，当前冲刷预测面临多重挑战。传统经验方程虽然提供了实用且简化的预测方法，但其内在依赖于推导时的实验环境，直接应用于复杂实际环境时存在局限，需要在使用前进行校准和验证。计算流体动力学（Computational Fluid Dynamics, CFD）虽然能提供详细的数值框架，但其预测可靠性强烈依赖于湍流模型选择、泥沙输运公式、网格分辨率、边界条件及校准质量，且并非天然更准确。实验研究虽在理解冲刷机制和验证预测方法中发挥核心作用，但物理模型常受尺度效应影响，且覆盖不同水力条件、泥沙特性和桥墩配置的大型实验活动耗时且昂贵。
机器学习（Machine Learning, ML）技术因其捕捉输入与输出间非线性交互模式的能力而成为预测桥墩冲刷的有力工具。然而，现有ML模型在数据稀缺、异构性及泛化能力方面仍存在不足。目前尚缺乏在统一框架下，系统研究数据增强、几何形状相关的模型开发、进化超参数优化以及经验约束的综合效应。特别是，将经验冲刷方程作为神经网络损失函数中的软约束，能否在不同桥墩几何形状和包含实验室与现场观测的异构数据集上持续提高预测精度，这一问题尚未得到充分关注。
## 二、研究内容与结论
本研究开发并比较了两种用于预测五种桥墩几何形状（圆柱形、圆头形、方头形、尖头形和群桩）相对冲刷深度的神经网络方法。第一种为遗传算法优化的多层感知器（GA-MLP），第二种为将Froehlich冲刷方程作为损失函数软约束的混合深度学习（HDL）模型。研究人员对文献数据库按几何形状分类，分别施加高斯噪声注入实现数据增强，并在未见数据上评估模型性能。
研究结果表明，噪声增强的GA-MLP在测试集上取得了优异的预测性能，R2值介于0.87至0.96，KGE介于0.84至0.97。其最佳性能出现在群桩情况下（MSE=0.0051，R2=0.96，KGE=0.97），圆头桩次之（MSE=0.0088，R2=0.93，KGE=0.95）。GA-MLP总体上优于受经验约束的HDL模型，表明在数据集异构且包含多种桥墩几何形状时，施加单一经验方程可能限制模型灵活性。该研究发表于《Array》期刊，为混合物理引导机器学习模型的发展提供了重要见解：经验知识的有用性取决于其与目标数据集、桥墩几何形状以及所选约束权重的一致性。
## 三、关键技术与方法
本研究主要采用以下关键技术方法：（1）数据增强：对每种桥墩几何形状分别施加高斯噪声注入（零均值，标准差为原始值5%），将数据库从原始观测扩展至5000个样本，采用Wasserstein距离和Pearson相关矩阵验证增强数据质量；（2）遗传算法超参数优化：采用锦标赛选择（规模5）、两点交叉（概率0.5）和高斯变异（σ=0.002），在5代内优化隐藏层数、每层神经元数和学习率；（3）混合深度学习框架：将Froehlich冲刷经验方程作为可微分的软约束项纳入损失函数，约束权重α设为0.25。数据来源以文献[65]数据库为基础，并补充了群桩几何数据[67]，包含实验和现场观测数据，涵盖清水冲刷和活床冲刷条件。
## 四、研究结果
### 4.1 数据增强结果
对于圆柱形桥墩，噪声注入数据在各特征上保持了较低的Wasserstein距离（r/Y约0.013，V/Vc约0.012，d50/Y约0.0004），Pearson相关矩阵对比证实增强数据几乎完全保留了原始数据的特征间及输入-目标相关性。其余四种几何形状（圆头、方头、尖头、群桩）的增强数据同样保持了低Wasserstein距离和主要相关结构，仅个别相关系数出现有限变化，未实质改变整体统计结构。
### 4.2 GA-MLP超参数优化结果
遗传算法优化显示，噪声注入使GA能够收敛到更简单的网络架构并获得更优的适应度分数。例如，圆柱形桥墩原始数据需要5层、88神经元/层的模型（适应度0.3404），而噪声注入数据仅需3层、20神经元/层（适应度0.0836），泛化性能显著提升。增强效果因桥墩类型而异，表明几何形状特定的水流-泥沙相互作用对模型架构选择具有重要影响。
### 4.3 性能评估结果
圆柱形桥墩：GA-MLP在所有数据配置下均优于HDL。使用噪声注入数据时，GA-MLP测试MSE为0.021，R2为0.90，KGE为0.84，优于HDL的MSE 0.028。圆头桩：噪声注入数据训练的GA-MLP取得最佳预测精度（MSE=0.0088，R2=0.93，KGE=0.95），HDL虽表现良好但精度始终较低。群桩：GA-MLP获得最佳性能（MSE=0.0051，R2=0.96，KGE=0.97），HDL紧随其后（MSE=0.0075）。方头桩：GA-MLP取得最佳测试性能（MSE=0.025，R2=0.87，KGE=0.93），HDL泛化能力较弱。尖头桩：两种模型在噪声注入数据上均表现良好，GA-MLP达到MSE=0.013，R2=0.94，HDL的KGE为0.96。
### 4.4 约束权重敏感性分析
对HDL模型中经验约束权重α的敏感性分析表明，增大α通常导致所有桥墩类型的MSE上升。圆柱形和圆头桩在α>0.25后MSE呈单调增加；群桩在低α值时精度最优；尖头和方头桩对α呈非线性敏感，在α>0.4后MSE急剧上升。R2和KGE随α增大而持续下降，最优性能出现在中等α值（约0.25-0.4）范围内。
### 4.5 参数敏感性分析
基于排列的参数敏感性分析显示不同桥墩几何形状的主导变量各异：圆柱形桥墩中Froude数（Fr）最重要（36.71%），其次为流速比V/Vc（28.47%）和相对墩径r/Y（26.55%）；圆头桩同样以Fr为主导（46.11%）；群桩中相对泥沙粒径d50/Y占绝对主导（74.64%）；方头桩中偏斜角θ/90最重要（46.27%）。
## 五、讨论与结论
讨论部分指出，GA-MLP优于HDL可归因于方法学和物理两方面的原因。Froehlich方程以简化经验关系和有限修正系数表示复杂过程，无法显式解析所有几何特有的流场结构或群桩相互作用机制。当应用于包含实验室和现场观测的异构数据库时，经验约束可能在Froehlich预测与实测冲刷深度存在差异的区域引入偏差。相反，GA-MLP不受预定义经验方程限制，遗传算法优化网络架构和学习参数，使模型更自由地适应数据中的非线性模式。
研究结论表明，GA-MLP模型在预测精度、泛化能力和稳定性方面整体优于HDL模型，增加模型复杂性或将经验方程纳入损失函数并不必然保证性能提升。将经验知识通过Froehlich方程纳入损失函数并未持续提高预测精度，经验约束有时反而限制了神经网络的灵活性。噪声注入作为数据增强策略的有效性得到确认，增强数据保留了原始统计分布和相关结构，同时提高了GA-MLP的预测性能。从工程角度看，该框架为桥墩冲刷初步评估提供了实用预测方法，在数据有限条件下，经过良好优化和验证的神经网络能够提供可靠预测，同时保持比经验约束模型更简单、更灵活。
