利用可解释的混合机器学习模型对受碎片影响的桥梁桥墩进行冲刷深度预测

《Ocean Engineering》：Scour depth prediction at debris-affected bridge piers using interpretable hybrid machine learning models

　　•混合机器学习提高了受碎屑影响的桥梁桥墩冲刷预测的准确性。
•堆叠模型在预测碎屑引起的冲刷深度方面优于经验公式。
•优化后的集成模型在复杂的碎屑条件下减少了预测误差。
•模型解释揭示了与碎屑相关的冲刷的关键水力因素。

**引言**
桥梁冲刷是指水流绕过桥墩时导致沉积物被冲走的现象，这仍然是水力工程中的一个主要挑战（Eini等人，2023年）。在多种影响因素中，碎屑堆积对破坏局部流型、加剧涡旋活动以及显著增加水流阻力起着关键作用（Al-Jubouri和Ray，2024b；Melville和Dongol，1992；Pagliara和Carnacina，2011a；Al-Jubouri等人，2023；Abousaeidi等人，2026）。随着气候变异性和极端水文事件的增加，准确预测冲刷深度，特别是受碎屑堆积影响的桥墩周围的冲刷深度，对于维护桥梁基础设施的结构安全和韧性变得至关重要（Ebrahimi等人，2018；Lagasse等人，2010）。
先前的研究表明，碎屑的形状、大小和位置显著影响冲刷坑的特征（Al-Jubouri和Ray，2024b）。碎屑堆积通常会减小有效流道面积，增加流向下游的速度，并增强上游的马蹄形涡旋，从而加深桥墩周围的冲刷深度（Najafzadeh等人，2016；Pagliara和Carnacina，2010, 2011b；Palermo等人，2021；Al-Khafaji等人，2025）。具体而言，矩形、三角形和圆柱形碎屑已被广泛研究，研究表明，靠近桥墩的楔形碎屑会导致比其他碎屑配置更深的冲刷坑（Panici和de Almeida，2019）。
已经采用了几种方法来估计受碎屑堆积影响的桥墩周围的冲刷深度。传统方法包括基于实验室和现场数据的经验公式和回归方法。这些方法应用简单且物理意义明确，但通常需要针对特定碎屑配置进行校准，并且在超出适用范围时泛化能力较差（Khan等人，2024）。这些传统技术常常简化了复杂的流体动力学过程，可能在不同的水力和碎屑条件下限制预测准确性（Jamei和Ahmadianfar，2020）。例如，科罗拉多州立大学的公式常被应用，并为特定碎屑配置提供相对准确的冲刷估计；然而，其泛化能力仍存在局限性（Ebrahimi等人，2018）。
研究人员探索了多种旨在提高受碎屑堆积影响的桥墩周围冲刷深度预测精度的方法。Park等人（2016）提供了全面的实验见解，强调碎屑的存在显著改变了冲刷深度，从而突出了需要计算能力更强的预测工具。Najafzadeh等人（2016）使用了基因表达编程（GEP）、进化多项式回归（EPR）和模型树（MTs）进行了全面评估，证明了它们能够捕捉复杂的冲刷过程并显著提高预测精度。Jamei和Ahmadianfar（2020）利用线性遗传编程和局部加权线性回归，其预测性能优于传统回归方法，表明它们能够处理复杂的非线性冲刷现象。Al-Jubouri和Ray（2024a）应用FLOW-3D和雷诺平均纳维-斯托克斯模型分析了受淹没碎屑影响的桥墩周围的局部冲刷和沙丘形成，并引入了一个考虑碎屑高度和有效面积的新公式。
先进的人工智能技术，包括神经模糊数据处理方法（NF-GMDH），也被用来估计桥墩周围的冲刷深度，并考虑了碎屑堆积的影响（Najafzadeh等人，2016）。此外，Pagliara和Carnacina（2011a）以及Lagasse等人（2010）强调了碎屑几何形状和孔隙率对冲刷机制的显著影响，突显了碎屑物理特性在预测建模中的重要性。
随机森林（RF）是一种集成机器学习算法，它通过构建和汇总多个决策树来提高预测精度并控制过拟合（Salman等人，2024）。LightGBM是一种高性能的梯度提升框架，适用于分类和回归任务，特别是处理大型数据集（Ke等人，2017）。分类提升（CatBoost）是一种设计用于高效处理分类变量并防止过拟合的梯度提升算法，因此适合结构化数据问题（Prokhorenkova等人，2018a）。
鉴于这些优势，近期研究应用了RF（Nandi等人，2024；Wang等人，2025；Zhang等人，2025）、LightGBM（Kumar和Afzal，2023；Wang等人，2025；Zhang等人，2025）和CatBoost（Kumar和Afzal，2023；Zhang等人，2025）来预测桥墩周围的冲刷深度，通过有效识别实验数据集中的复杂模式显著提高了预测精度。独立的机器学习模型（如RF、LightGBM和CatBoost）通常能够捕捉受碎屑影响的流体-沉积物相互作用的非线性，但对超参数选择敏感，在输入空间采样稀疏的区域表现不佳，且常被视为提供有限物理洞察的黑盒模型。尽管这些独立方法被证明有效，但它们尚未扩展到碎屑堆积情况下的冲刷深度预测（Eini，2025）。这些方法在完全捕捉碎屑引入的复杂相互作用和冲刷动力学方面存在固有限制。为了解决这些限制，混合机器学习模型受到了关注。这些混合模型结合了元启发式优化技术和独立ML模型，从而提高了预测精度（Eini等人，2024a，Eini等人，2024b）。饥饿游戏搜索（HGS）是一种受动物饥饿驱动力和决策行为启发的现代基于种群的优化算法（Yang等人，2021），它通过模拟饥饿对动物行为和选择的影响来高效解决复杂优化问题（Mehta等人，2022）。在本研究中，使用HGS算法优化了三个独立模型（即RF、LightGBM和CatBoost）的超参数，得到了三个混合优化-机器学习模型：HGS–RF、HGS–LightGBM和HGS–CatBoost。随后使用这些混合模型来估计无量纲碎屑收缩因子（Cd）作为唯一目标（因变量）。
这些混合方法（HGS–RF、HGS–LightGBM和HGS–CatBoost）改进了超参数调整，但未能充分利用多个基础学习器的互补预测优势和误差。因此，在本研究中，HGS–RF、HGS–LightGBM和HGS–CatBoost作为基础学习器，在堆叠回归框架中进一步提高了预测性能。堆叠技术最初由Wolpert（1992）提出，是一种通过高级模型汇总多个基础学习器预测的集成学习技术，从而提高复杂数据集的预测精度和鲁棒性。在本研究中，使用岭回归作为元模型来汇总三个混合基础学习器的预测，从而提高整体预测鲁棒性。这种集成策略利用了混合模型的互补优势，减少了它们的弱点，产生了更全面可靠的预测系统，最终得到了更准确的Cd估计值。

**现有研究很少涉及机器学习预测的可解释性或明确将碎屑堆积的影响纳入预测框架。因此，仍然需要一个可解释且稳健的框架，能够在不同的水力和几何条件下准确预测碎屑引起的冲刷行为。Shapley加性解释（SHAP）是一种基于合作博弈论的可解释性方法，为每个输入特征分配一个值，指示其对模型预测的贡献（Lundberg和Lee，2017）。SHAP通过量化每个特征对输出的影响大小和方向来帮助解释复杂的机器学习模型。**

**本研究探讨了几项关键的创新，用于预测桥墩处的碎屑收缩因子（Cd）。首先，它明确考虑了碎屑堆积的影响，这是以往模型中经常被忽略的重要因素。其次，通过优化RF、LightGBM和CatBoost开发了混合ML模型，提高了复杂冲刷场景下的预测精度。第三，应用堆叠回归结合了这些优化模型的优势，从而增强了整体预测的鲁棒性。据我们所知，没有先前的研究在堆叠架构中结合了三个通过HGS优化的集成基础学习器，同时明确考虑了碎屑影响并提供了可解释的预测结果。**

**理论背景和控制方程**
根据Pagliara和Carnacina（2010）的研究，在碎屑堆积存在的情况下，平衡冲刷坑深度（dsd）可以表示为多个水力、几何和与碎屑相关的参数的函数：
**dsd = φ(ρ,ν,V,Y,g,d50,σ,ρs,Vc,D,Ps,S0,w,td,dw,ld,Sd,n,t)**，
其中ρ是流体密度，υ是运动粘度，V是平均流速，Y是接近流深，g是重力加速度。沉积物属性包括中值粒径（d50）。

**数据**
编译的数据集包含来自先前发表的关于受碎屑影响的桥墩冲刷实验研究的245个数据点，包括Melville和Dongol（1992）、Lagasse等人（2010，包括矩形和三角形碎屑配置）、Pagliara和Carnacina（2010, 2011a, 2011b）、Franzetti等人（1989），以及Najafzadeh等人（2016）报告的记录。这些数据点的完整编译由Jamei和Ahmadianfar（2020）描述，作为本研究的依据。

**方法和模型**
在本研究中选择LightGBM、CatBoost和随机森林（Random Forest）作为基础学习器，因为（1）基于树的集成方法适用于本研究中使用的中小型结构化表格数据集（245个数据点），在这种情况下深度学习模型通常需要更大的数据集且容易过拟合；（2）这三个选定的学习器提供了有用的算法多样性。随机森林是一种基于bagging的集成方法，而LightGBM...

**结果和讨论**
表1列出了使用HGS算法调整后每个ML模型的最佳超参数值。这些参数包括估计器的数量、学习率（如适用）以及RF、CatBoost和LightGBM模型的最大树深度。表2展示了使用独立机器学习模型（RF、CatBoost和LightGBM）及其HGS优化变体（HGS–RF...）预测无量纲碎屑收缩因子Cd的评估指标。

**结论**
本研究探讨了一种旨在提高受碎屑堆积影响的桥墩冲刷深度预测准确性的混合机器学习框架。HGS算法成功优化了RF、LightGBM和CatBoost的超参数，使其性能优于传统独立方法。将这些优化后的基础模型纳入堆叠集成后，进一步提高了预测精度，堆叠模型始终提供了最佳结果。

**作者贡献声明**
Nasrin Eini：撰写——原始草稿、可视化、验证、方法论、正式分析、数据整理、概念化。
Sayed M. Bateni：撰写——审阅与编辑、监督、资源管理、项目管理、资金获取。
Changhyun Jun：撰写——审阅与编辑、研究。

**利益声明**
作者声明没有已知的竞争财务利益或个人关系可能影响本文所述的工作。

**致谢**
本工作得到了夏威夷交通部（HDOT）和联邦公路管理局（FHWA）[资助编号DOT-10-030 TA 2021-1R]的支持。

**Nasrin Eini | Sayed M. Bateni | Changhyun Jun**