利用机器学习模型估算和解释海底管道下方的平衡冲刷深度

《Ocean Engineering》：Estimation and interpretation of equilibrium scour depth beneath submarine pipelines by using machine learning models

　　王顺义|杨一琳|何旭辉|荆海全|王欣|李家乐
中南大学土木工程学院，中国长沙410075

**摘要**
准确预测海底管道下的平衡冲刷深度对于确保其结构安全至关重要。传统的经验公式在通用性和预测准确性方面存在局限性。为了解决这一问题，本研究开发了一个可解释的机器学习（ML）框架，用于预测稳定流速下的平衡冲刷深度。基于从文献中收集的351组实验数据，训练并评估了四种ML模型（ANN、SVR、XGBoost和RFR），并使用PSO和BO进行了超参数调优。结果表明，ML模型，尤其是XGBoost和ANN，显著优于传统经验公式。对于测试集，MAE、RMSE和SI降低了约43%~64%，而CC增加了34%以上。为了进一步提高模型的透明度，应用了SHAP分析来解释每个输入特征对冲刷深度的影响。分析表明，高流速强度和弗劳德数会促进冲刷深度的增加，而高间隙比和相对粗糙度则会抑制冲刷深度，这一发现与物理理解一致。本研究表明，所提出的数据驱动框架不仅具有卓越的预测性能和泛化能力，还通过可解释性分析提供了可靠的物理洞察，为海底管道的设计和风险评估提供了更先进和可信的工具。

**引言**
海底管道是输送海上油气资源的关键基础设施，其结构安全对于确保能源供应至关重要（Sumer和Freds?e，2002；Zhao，2025）。然而，在复杂的海洋环境中，管道下方经常发生局部冲刷，导致管道自由跨度减小。这可能导致涡流诱导振动、疲劳损坏甚至结构失效（Chiew，1990；Li等人，2023；Wang等人，2024a、2024b、2026a；Qi等人，2026；Lian等人，2026）。冲刷是威胁管道完整性的主要因素之一。因此，准确预测管道下的平衡冲刷深度对于管道设计、安全评估和风险缓解具有重要意义。

当铺设在沙质海床上的管道受到稳定流速的影响时，流体、管道和海床之间会发生复杂的相互作用。管道下方的局部冲刷过程通常经历几个阶段：（a）隧道突破，（b）隧道冲刷，（c）尾流涡旋冲刷，以及（d）平衡阶段（Sumer等人，1988a；Gao等人，2006；Gao和Luo，2010；Dey和Ali，2025；Wang等人，2026b）。如果管道最初放置在海床表面上方，则不会出现隧道突破阶段。其中，隧道冲刷和尾流涡旋冲刷是两种主要的冲刷模式，如图1所示。

近年来，机器学习（ML）的快速发展在预测结构周围的冲刷深度方面显示出显著优势。大多数现有的关于局部冲刷预测的ML研究都集中在桥墩上，成功开发并验证了各种混合和集成模型（Baranwal和Das，2024；Baranwal等人，2025）。相比之下，针对海底管道的ML研究较少。然而，近年来这一领域的兴趣日益增加。Azamathulla和Zakaria（2011）使用前馈反向传播（FFBP）技术的人工神经网络（ANN）进行冲刷深度预测，发现其性能优于传统回归模型。Najafzadeh等人（2014）采用群体数据处理方法（GMDH）在清水和活床条件下预测管道冲刷深度，报告其预测误差低于支持向量机（SVM）和经验公式。此外，Najafzadeh和Sarkamaryan（2018）系统比较了基因表达编程（GEP）、进化多项式回归（EPR）和模型树（MT）的性能，发现EPR模型在清水和活床条件下表现最佳，并且其推导出的显式方程具有明确的物理可解释性和实际工程应用性。Haghiabi（2017）使用伽玛检验（GT）确定了间隙比（e/D）、Shields参数（θ）和水深与管道直径的比值（h/D）作为影响管道冲刷的关键参数。然后，该研究比较了多变量自适应回归样条（MARS）、多层感知器（MLP）和经验公式的预测性能。此外，Hu等人（2021）评估了三种ML模型：基于遗传算法的反向传播（GA-BP）神经网络、径向基函数（RBF）和支持向量机（SVM），得出GA-BP神经网络在考虑流速入射角时表现最佳，并强调弗劳德数（Fr）是影响冲刷深度的最关键参数。一些研究最近将ML预测扩展到更具挑战性的场景。Zhang等人（2025）系统比较了独立ML模型（M5、ARR、SVR）和集成梯度提升模型与四个经验方程预测振动管道周围的冲刷深度，证明了集成学习的优势。Xiu等人（2025）开发了一种基于CFD和机器学习的方法，用于预测波浪和流速条件下的管道平衡冲刷深度和冲刷孔宽度，实现了高预测精度。随后，Xiu等人（2026）提出了一种基于CFD的机器学习方案，用于预测海底管道的整个冲刷剖面（而不仅仅是最大深度），比较了五种基于树的算法，确定随机森林回归为最佳性能者。同时，Shi等人（2026）建立了一个结合了MLP和XGBoost的物理引导集成ML模型，用于预测受波浪和流速影响的振动管道下方的局部冲刷，预测精度约为90.91%，误差范围为±20%。这些最近的贡献突显了基于ML的方法在预测管道冲刷方面的巨大潜力，特别是在涉及管道振动和全剖面形态的复杂条件下。总体而言，这些研究表明，ML模型比传统经验公式更有效地捕捉了管道下方冲刷过程中的复杂非线性关系，从而提供了更可靠的预测。

机器学习（ML）模型可以从庞大的数据集中自动学习潜在模式，而无需预先定义的显式函数，这使它们在模拟涉及交织参数的复杂物理过程（如冲刷）时具有明显优势（Baranwal和Das，2026）。然而，这些模型的一个显著缺点是缺乏透明性，因为它们的决策过程通常不透明且难以从物理机制的角度解释。为了弥补这一缺陷，近年来可解释人工智能（XAI）技术受到了广泛关注（Eini等人，2023、2024；Kim等人，2024；Song等人，2025；Li等人，2026）。其中，基于博弈论的SHAP（Shapley Additive Explanations）方法已成为定量评估每个输入特征对单个预测贡献的突出工具（Shapley，1953；Lundberg和Lee，2017）。SHAP分析可以揭示整个模型中特征的全局重要性以及特定预测背后的局部推理，从而在ML模型的高精度和物理可解释性需求之间架起桥梁。这种可解释的ML（IML）范式在岩土工程和材料工程领域展示了显著的价值。例如，Kim等人（2024、2025）成功开发了基于SHAP增强的XGBoost模型来预测桥墩冲刷深度，其准确性优于经验公式，并提供了对关键影响因素的物理一致解释。同样，Eini等人（2024）应用了贝叶斯优化的混合ML模型和SHAP分析来估计非圆形桥墩周围的平衡冲刷深度，证明了可解释ML在多种桥墩几何形状中的有效性。在这些进展的基础上，Huynh等人（2025）提出了一个基于ML的预测框架，结合SHAP分析预测复杂桥墩周围的冲刷深度，进一步将可解释ML的应用扩展到更复杂的水力结构。尽管有这些进展，现有的可解释ML研究主要集中在桥墩冲刷上，而海底管道冲刷则基本未被探索。少数关于管道的ML研究要么仅关注预测精度，要么缺乏可解释性。因此，将可解释性分析与ML预测相结合是提高模型可信度和提取有意义的物理洞察的关键策略，我们采用并扩展了这一策略来研究海底管道下方的局部冲刷问题。

基于可解释机器学习的原理，本研究提出了一个集成ML框架，通过系统地将高预测精度与强大的可解释性相结合，超越了传统的“黑箱”方法，用于预测海底管道下的平衡冲刷深度。为此，我们：（1）汇编了最大的管道冲刷实验数据集之一（351个案例）；（2）使用PSO和BO系统地训练并比较了四种主流ML模型（ANN、SVR、XGBoost、RFR）并进行超参数优化；（3）实施了全面的SHAP可解释性工作流程，以提供全局特征重要性和特定案例的解释。通过这种方法，我们不仅旨在提供更准确的预测工具，还旨在提供一个透明、可解释的模型，可以为管道设计和风险评估提供可操作的物理洞察。

**章节片段**
**维度分析**
选择适当的输入参数对于机器学习模型的预测性能至关重要。海底管道下的平衡冲刷深度由三类参数控制：管道特性、海床属性和流速条件。这种关系可以用以下函数形式表示：
**dse = f(α,D,e,ρ,U,h,ν,g,d50,σg,Ucr)**
其中dse是平衡冲刷深度；α是流速攻角，定义为流体与管道之间的角度（以弧度为单位）。

**机器学习算法**
为了准确预测海底管道下的平衡冲刷深度，本研究采用了四种以强大的非线性映射能力而著称的机器学习算法：人工神经网络（ANN）、支持向量回归（SVR）、极端梯度提升（XGBoost）和随机森林回归（RFR）。这些算法非常适合高维、非线性回归问题，能够有效模拟复杂的水泥-沉积物相互作用。

**模型性能**
为了全面评估所提出的机器学习（ML）框架与传统经验公式在预测海底管道下平衡冲刷深度方面的性能，对比了对训练集、验证集和测试集进行系统比较。图5展示了四种ML模型（ANN、SVR、XGBoost和RFR）的预测与测量无量纲冲刷深度（dse/D）的散点图，数据点通过清水（U/Ucr）进行区分。

**结论**
本研究提出了一种可解释的机器学习（ML）框架，用于预测稳定流速下海底管道下的平衡冲刷深度。该框架结合了四种ML模型（ANN、SVR、XGBoost和RFR），通过PSO和BO进行超参数优化，并基于351个实验案例的编译数据库进行了SHAP基础的可解释性分析。主要发现如下：
（1）ML模型，尤其是XGBoost和ANN，显著优于传统……

**作者贡献声明**
王顺义：撰写——原始草案，撰写——审阅与编辑，可视化，验证，调查，资金获取，形式分析，数据管理，概念化。
杨一琳：撰写——审阅与编辑，方法论，调查。
何旭辉：撰写——审阅与编辑，监督，项目管理，方法论，调查。
荆海全：撰写——审阅与编辑，监督，方法论，调查。
王欣：撰写——审阅与编辑，可视化，形式分析。

**利益冲突声明**
作者声明，他们没有已知的财务利益或个人关系可能影响本文所述的工作。

**致谢**
作者感谢国家自然科学基金（52501321；52501350）、国家创新人才博士后计划（BX20250042）和中国博士后科学基金（2025M773148）的财政支持。我们还要感谢中国科学院力学研究所的Qi Wen-Gang教授、Song Qing-Kai博士和Li Biao博士在完善和实施机器学习算法方面的技术支持。