利用热力学指纹特征识别水下基础冲刷深度的方法

《Ocean Engineering》：Identification method of underwater foundation scour depth via thermodynamic fingerprint characteristics

　　•开发一种多点热激励监测系统，用于冲刷监测。•揭示河床附近冷却速率评估指标的分布情况。•提出一种基于热力学特征学习的河床定位方法。•在多种场景下验证所提方法的有效性。

引言
作为桥梁、港口、码头及海上风电场等涉水工程结构的核心承重部件，水下基础的稳定性直接决定了整个项目的安全运行与使用寿命（Alexander等人，2025；Rathod和Gupta，2019）。由于水流的冲刷作用，基础周围的沉积物会不断被侵蚀，从而导致基础埋深和承载力下降，甚至引发基础倾斜、结构开裂乃至坍塌等严重工程事故（Lu等人，2024；Bento等人，2020）。冲刷具有突发性和破坏性强的特点。由水蚀引起的桥梁损坏会导致交通中断，阻碍区域经济发展，并造成巨大的经济损失（Guo等人，2020）。因此，研究水下基础冲刷的监测技术，以实现冲刷状况的精准识别与实时预警，具有重要的工程应用价值和实践意义（Farooq等人，2025；Chen等人，2015）。

传统的冲刷监测方法主要包括潜水员目视检查（Laflamme等人，2024）、声呐探测（Prendergast和Gavin，2014）以及铅锤测深法（Fenner，1993）。尽管这些方法操作简单，但存在明显局限：人工检查效率低，且极易受水体清晰度及水流湍流等环境因素的影响。此外，这些方法仅能提供点状测量数据，难以实现连续动态监测与预警（Cui等人，2010）。为此，研究人员开发出了多种新型监测技术。

基于声纳的技术已被证明能够揭示水下桥梁基础中的冲刷形态与结构损伤（Huang等人，2025；Yan等人，2025；Xiong等人，2026）。然而，原始的3D点云数据往往存在严重噪声，需要先进的重建算法才能实现高精度建模；未来的研究应侧重于自动特征识别与传感器融合，以提高方法的可靠性与效率。用于检测水下基础冲刷的动态测试方法，则是通过测量桥梁上部结构的振动情况，并追踪其自然频率的变化，这些变化反映了冲刷对支撑边界条件的影响（Xiong等人，2019；Kim等人，2026；Tserng等人，2024）。结合有限元模型更新，这些方法无需水下设备即可定量估算冲刷深度，因此非常适合用于大量桥梁的快速评估。智能磁石则通过磁场梯度追踪嵌入磁石的位置，实现实时冲刷深度测量，为传统水下传感器提供了一种无损且成本较低的替代方案（Tang等人，2019；Chen等人，2018；Jiang等人，2022）。实地验证表明它们具备定位能力，但桥梁钢构件带来的环境干扰以及交通引起的磁场变化会影响其精度，尤其是对于已知方向的磁石，因此需要相应的补偿策略才能保证其在实际应用中的稳定性。

水下基础在其整个使用期内始终处于复杂的流体-固体耦合相互作用之中。其中，流体流过固体表面时产生的对流换热效应——即流体-固体耦合的关键热力学表现形式——为基于热追踪的方法检测水下基础的冲刷深度提供了物理依据。Ding等人（2016）基于热传导理论设计了一种冲刷传感器，该传感器利用水与土壤在受热后的散热率差异来确定泥面位置，并通过拟合温度时间历史曲线中的参数来获取冲刷深度。Zhao等人（2012）提出了一种主动加热型分布式光纤传感技术，用于监测海底管道的冲刷情况，其可行性已通过数值模拟与模型试验得到验证。Farooq等人（2023）综述了主动测温技术在桥梁及管道冲刷监测中的应用，这类技术通过沿桥墩或管道安装的传感器监测温度变化来判定冲刷程度。Hatley等人（2023）研究了一种基于光纤分布式温度传感技术的新型冲刷监测装置，该装置通过分析温度响应的差异来确定冲刷界面，验证了该测量信号用于高分辨率监测冲刷深度的可行性。Chen等人（2026a）提出了一种基于河床界面处对流换热系数突变的水下基础冲刷监测温度追踪方法，并开发了一种多点热激励监测系统。根据河床附近特征温度响应参数的空间分布，他们还提出了一种采用S形函数拟合的河床表面定位新方法。从上述文献综述可以看出，现有的温度追踪方法仍存在若干局限性：（1）大多数现有研究仅采用单一的冷却速率系数作为判别指标，其特征维度过于简单，导致其对湍流干扰及局部冲刷形态变化的抵抗能力较弱。（2）少数研究利用传统数学函数在假设空间温度响应分布对称的前提下拟合河床位置，但实际上水-沉积物界面两侧的传热场本质上是不对称的，这会引入无法修正的系统性预测偏差。（3）现有的热追踪技术仅能定性判断水-沉积物界面是否暴露，无法建立温度特征与冲刷深度之间的定量映射关系，因而无法满足实际工程的定量评估需求。

由于水-沉积物-结构之间的复杂相互作用，再加上水生植物对测量仪器的干扰，冲刷引起的温度变化特征往往会被掩盖。同时，实际的冲刷坑通常呈不对称形状，且容易发生沉积物回填，这使得基于物理模型或经验模型的传统冲刷深度识别方法准确度不足。此外，水下传感器的长期稳定性与可维护性也面临诸多挑战。基于此，本研究在团队先前关于热动力学冷却判别指数与温度补偿机制的研究基础上进一步拓展（Chen等人，2026b）。虽然以往的研究主要致力于在固定介质条件下抑制环境温度的干扰，但在动态冲刷环境中追踪流体-沉积物-结构界面的演变仍是一个具有挑战性的工程问题。为解决这些问题，本文设计了一种具有可移动测量点及易于更换传感器的冲刷监测方案，提出了一种将多点热激励温度响应监测与热动力学指纹特征学习相结合的水下基础冲刷深度测量方法。并通过室内模型试验与真实水环境下的现场试验，验证了所提方法的可行性。

章节节选
河床表面定位的温度追踪原理
如图1所示，河床或海床表面的初始位置设为y0，冲刷后与水下基础接触的位置为y1。冲刷深度hs可表示为：hs=y0?y1。因此，水下基础冲刷深度监测的本质就是对河床表面的定位。

热源的冷却速率与其周围介质及环境密切相关。其冷却规律可用牛顿冷却定律来描述。

实验装置
为模拟水下基础的冲刷环境，设计了如图4所示的实验装置。首先制作了一个截面尺寸为20厘米×15厘米、高度为80厘米的混凝土试件。在试件的上游面上，用玻璃胶粘接了一根边长为20毫米、壁厚为1毫米的不锈钢管，作为监测管。将该试件浸入水箱中。首先，在……处铺设35厘米厚的河沙。

识别模型
如图10所示，河床表面附近α的分布规律被用作表征河床高程的热动力学指纹。这一指纹是由沿结构垂直轴分布的传感器阵列测量点的 elevation坐标（yn）及其对应的无量纲评估指标（αn）所构成的二维空间分布模式，即特征向量Fα = [(α1, y1) (α2, y2) … … (αn, yn)]T。

与现有冲刷监测技术的比较
为评估本研究提出的基于主动热激励与热动力学指纹特征学习的河床定位方法的工程适用性，本章将其与当前主流的冲刷监测技术进行了对比，这些技术包括潜水员检查、测深杆、声呐探测等检查技术，以及电磁波或雷达技术、结构动力响应技术、光纤技术等新兴监测技术。

结论
为了解决水下冲刷深度监测中准确定位河床的难题，本文提出了一种将主动热激励温度响应与热动力学指纹特征学习相结合的智能识别方法。通过模型试验以及在真实水环境中的验证，系统分析了河床附近冷却速率评估指标α的分布规律，并构建了一个基于BP神经网络的预测模型。

CRediT作者贡献声明
Lin Zhao：数据整理、研究、验证、初稿撰写。Jiang Chen：概念构思、正式分析、方法设计、监督指导、审稿与编辑。Jianghong Mao：数据整理、研究。

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢
本研究得到了四川省自然科学基金项目2025ZNSFSC0306以及国家自然科学基金项目52378172的支持。

Lin Zhao|Jiang Chen|Jianghong Mao