基于SHAP的可解释机器学习预测桥墩与桥台处大木相互作用概率：水槽室内试验

《Results in Engineering》：SHAP-based Interpretable Machine Learning for Predicting Large Wood Interaction Probabilities at Bridge Piers and Abutments: Laboratory Flume Experiments

　　

洪水期间，大木（LW）在桥墩与桥台处的堆积会降低行洪能力、增大上游回水、加剧局部冲刷并提高阻水风险。为此，研究人员开发了一个可解释机器学习框架，用于预测三种互斥且完备的LW–桥梁相互作用结果：非滞留接触概率（pc）、有效阻塞概率（pe）和绕流概率（pby）。研究考虑了11个具有物理意义的预测因子，涵盖水力条件、桥梁几何、LW特征及释放与输移条件。据此，研究人员训练并评估了10种模型配置，覆盖线性、核方法、装袋、提升与特征选择方法，采用五折交叉验证与独立测试集评价；性能以均方根误差（RMSE）、平均绝对误差（MAE）、R2、Kling–Gupta效率（KGE）和Taylor图衡量。在评估模型中，支持向量回归（SVR）对pc取得最低测试误差与最高R2（RMSE=0.11，MAE=0.09，R2=0.74），而XGBoost产生最高KGE=0.79；对pe与pby，梯度提升回归（GBR）表现最强，R2分别为0.75与0.72，KGE分别为0.82与0.79。为解释预测，SHapley加性解释（SHAP）揭示LW–桥梁相互作用主要由木材–开口适配性控制：LW长度与墩台间距是非滞留接触的主预测因子，墩台间距主导有效阻塞与绕流（归一化重要性均值分别为0.47与0.37），墩间间距、墩数与LW长度亦贡献于绕流预测。概率转移分析表明，有效阻塞倾向最大区间在0.6≤x/LLW≤1.00且G/LLW<0.5，这些属试验室过渡指示而非通用设计阈值。总体框架为试验范围内桥梁风险评估、巡检优先级与情景化减灾规划提供了透明筛选级工具。

研究背景方面，河流中大木（LW，定义长度>1 m、直径>0.10 m的枯立木、倒木、树根团等）在常态下具有生态与地貌正效益，但在洪水期被输移并在桥墩、桥台或束窄处堆积时，会减小有效过流面积、抬高回水、放大局部冲刷与结构荷载，进而诱发桥梁损伤。已有实验多将堆积或阻塞表示为单一响应，难以刻画水力、几何、木材特征与释放条件间的非线性耦合；既有机器学习应用集中于桥墩冲刷深度预测、LW遥感检测与追踪或桥梁整体易发性分类，尚未在事件尺度上把非滞留接触、有效阻塞与绕流作为互斥且穷尽的概率分别预测，也缺乏以SHAP连接预测性能与木材–开口适配性的物理解释。因此，研究人员以水槽试验数据为基础，构建可解释机器学习框架，分别预测p_c、p_e、p_by，并用SHAP解析主导因子与过渡规律。该研究发表于《Results in Engineering》。

关键技术方法上，研究人员采用塞姆南大学水力学实验室14 m×1.0 m×0.8 m玻璃直槽（弗劳德相似比λ=20，原型参照Sajadrood河Amirdeh桥），设置1或2个直径D_p=0.05 m圆柱墩与短墙式桥台（L_a=0.15 m，B_a=0.3 m），变化墩台距x=0.075、0.15、0.30 m与双墩时间距G=0.10、0.15、0.20 m；LW模型取长度L_LW=0.25–0.40 m、直径d_LW=0.006–0.025 m、密度625 kg·m^-3的圆柱/枝杈/针叶三类形态；来流Fr₀=0.10–0.36、u₀=0.16/0.26/0.36 m·s^-1。释放条件经预试验锁定为距台头1 m、槽中线、θ_LW=90°垂向流，分别进行非壅塞（单根间隔10 s，每配置重复30次）与壅塞（30根同步释放，重复5次）输移，共256配置6880样本206400根次，依每次30根中滞留/接触后脱离/无触绕流计数得p_e、p_c、p_by（三者加和恒为1）。预测因子为11维无量纲/类别量：Fr₀、墩数n_P、x/L_LW、G/L_LW、d_LW/D_p、L_LW/x、形态S_hLW、输移态T_rLW、释放距x_LW/B、侧位P_rLW、初向θ_LW。建模侧对三目标各训10类算法（线性、核SVR、装袋RF、提升XGBoost/GBR、特征选择等），五折交叉验证+独立测试集，以RMSE/MAE/R²/KGE/Taylor图选型；解释侧对优选模型算SHAP全局重要性、方向依赖与单样本贡献，并做x/L_LW与G/L_LW区间转移分析。

研究结果部分，引言指出LW灾害链为“洪强上升→木材输移由单根转半壅塞/壅塞→墩台接触/滞留/成jam→回水与冲刷放大→桥梁风险”，其中墩台距通过控制收缩区湍流与可用过宽直接调节木材–开口适配性。材料方法中2.1实验槽与弗劳德设计、2.2桥梁与LW模型几何参数、2.3非壅塞/壅塞双态释放程序、2.4三类互斥结果定义与概率计算、2.5由6880复制样本构成11预测因子数据集均已前述。模型比较结论为：p_c由SVR最优（测试RMSE=0.11，MAE=0.09，R²=0.74），XGBoost其KGE最高0.79；p_e与p_by由GBR最优（R²=0.75/0.72，KGE=0.82/0.79）。SHAP解释结论为：相互作用首要受木材–开口适配性支配，p_c主因子为L_LW与x，p_e与p_by主因子为x（归一化重要性0.47与0.37），绕流另受G、n_P、L_LW贡献；概率转移上p_e最大区间在0.6≤x/L_LW≤1.00且G/L_LW<0.5，属实验室过渡指示。讨论部分强调SHAP解释的是拟合模型行为而非物理因果，归因随算法/特征集/背景集与相关结构变化，须与试验证据及水力学常识交叉验证；框架定位为试验范围内筛选级工具，不推出普适设计阈值，可支撑桥梁风险筛查、巡检排序与情景减灾。结论翻译浓缩为：研究人员提出并验证了一个结合水槽试验、无量纲物理预测因子、十类目标特异机器学习配置与模型特异SHAP解释的可解释框架，分别以SVR/GBR优选预测p_c/p_e/p_by，确认墩台距与LW长度是木材–开口适配性的核心，有效阻塞峰值出现在x/L_LW近1且G/L_LW<0.5的试验区间，该框架在测试范围内为桥梁洪水风险评估提供透明、可审计的筛查手段。