Application of Long-Short Term Memory and Convolutional Neural Networks for Real-Time Bridge Scour Forecast

要約

橋脚の周囲の洗掘は、世界中のインフラストラクチャにとって重要な課題です。
分析モデルが存在せず、また洗掘プロセスが複雑であるため、現在の経験的方法では正確な予測を達成することが困難です。
この論文では、深層学習アルゴリズムの力を利用して、河床の標高、流量の標高、流速などの過去のセンサー監視データに基づいて、橋脚周囲の洗掘深さの変動を予測します。
私たちは、2006 年から 2021 年にアラスカとオレゴンの橋から収集されたデータを使用して、リアルタイム洗掘予測のための長短期記憶 (LSTM) モデルと畳み込みニューラル ネットワーク (CNN) モデルのパフォーマンスを調査しました。LSTM モデルは平均絶対誤差 (MAE) を達成しました。
）1週間前にベッドレベルの変動を予測するために0.1mから0.5mの範囲で、妥当なパフォーマンスを示しています。
CNN の完全畳み込みネットワーク (FCN) バリアントは他の CNN 構成よりも優れたパフォーマンスを示し、計算コストが大幅に低い LSTM と同等のパフォーマンスを示しました。
私たちは、ハイパーパラメーターの調整とモデルの最適化のためのさまざまな革新的なランダム検索ヒューリスティックを検討しました。これにより、グリッド検索手法と比較して計算コストが削減されました。
センサー機能のさまざまな組み合わせが洗掘予測に及ぼす影響は、今後の事象を予測するための洗掘の歴史的時系列の重要性を示しました。
全体として、この研究は、河川橋や潮汐/海岸橋など、多様な洗掘と流れの特性を持つ橋におけるリアルタイムの洗掘予測と早期警告に対するディープラーニング (DL) の可能性について、より深い理解を提供します。

要約(オリジナル)

Scour around bridge piers is a critical challenge for infrastructures around the world. In the absence of analytical models and due to the complexity of the scour process, it is difficult for current empirical methods to achieve accurate predictions. In this paper, we exploit the power of deep learning algorithms to forecast the scour depth variations around bridge piers based on historical sensor monitoring data, including riverbed elevation, flow elevation, and flow velocity. We investigated the performance of Long Short-Term Memory (LSTM) and Convolutional Neural Network (CNN) models for real-time scour forecasting using data collected from bridges in Alaska and Oregon from 2006 to 2021. The LSTM models achieved mean absolute error (MAE) ranging from 0.1m to 0.5m for predicting bed level variations a week in advance, showing a reasonable performance. The Fully Convolutional Network (FCN) variant of CNN outperformed other CNN configurations, showing a comparable performance to LSTMs with significantly lower computational costs. We explored various innovative random-search heuristics for hyperparameter tuning and model optimisation which resulted in reduced computational cost compared to grid-search method. The impact of different combinations of sensor features on scour prediction showed the significance of the historical time series of scour for predicting upcoming events. Overall, this study provides a greater understanding of the potential of Deep Learning (DL) for real-time scour forecasting and early warning in bridges with diverse scour and flow characteristics including riverine and tidal/coastal bridges.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google