桥墩清水冲刷及可靠性的机器学习方法：比较研究

《Scientific Reports》：Machine learning approaches for bridge pier clear-water scour and reliability: a comparative study

　　

摘要

桥墩局部冲刷仍然是导致结构失效的首要原因，然而设计实践仍然依赖于确定性方程，这些方程仅返回单一的平衡深度，且未附带相应的置信度度量。本研究将机器学习预测与圆柱形桥墩清水冲刷的概率可靠性分析相结合。两个模型，即由粪金龟算法优化的支持向量回归（DBO-SVR）和梯度提升机（GBM），基于 153 条记录完整的实验室记录进行训练，使用五个无量纲预测因子来预测相对平衡冲刷深度。DBO-SVR 泛化能力良好，训练决定系数为 0.7937，测试决定系数为 0.7791；而 GBM 几乎完全复现了其训练分区，但在样本外几乎保留不下多少准确性，从 0.9995 降至 0.6245；在二十五次独立随机划分中，平均测试值分别为 0.744 和 0.645。精确沙普利归因分析表明流量强度比为最主导的预测因子，解释了 DBO-SVR 中 64% 的测试方差和 GBM 中 87% 的测试方差，证实了这两个模型的物理一致性。预测分布通过 200,000 个样本的蒙特卡洛模拟进行传播，其中残差是从其经验分布中重采样，而不是假设为正态分布。在基于承载力的极限状态下，归一化嵌入能力被视为均值为 1.60、变异系数为 0.20 的对数正态变量，DBO-SVR 的可靠性指数仅达到 1.43，GBM 为 1.30，远低于 AASHTO、ISO、JCSS 和 FHWA 标准的目标水平，且在 0.10 到 0.35 之间的每个承载力离散度下，该排序均保持不变。从拟合的正态分布而非经验分布中重采样残差，使可靠性指数在模拟可分辨的阈值处最多偏移了 0.24，且该偏移方向在不同模型和阈值间并不一致。基于 Melville 和 Chiew 公式的时间相关分析表明，DBO-SVR 在归一化时间为 0.0092 时（约相当于 72 小时洪水中的第 40 分钟）和 GBM 在归一化时间为 0.0061 时（约相当于第 26 分钟）突破了 AASHTO 极端事件目标，且四个水平中要求最低的也在六小时内被突破。本研究仅限于清水条件和实验室尺度数据；这些模型作为决策支持工具提供，在现场应用前需要根据原型测量进行重新校准，且两者都不应仅基于其条件均值进行应用，因为两者都会在一小部分极端配置中低估冲刷需求。