Köprü ayaklarındaki aşınma, normalleştirilmiş aşınma derinliğinin tahminini geliştirmek için gelişmiş makine öğrenimi yaklaşımları kullanılarak araştırıldı. Gen ifadesi programlama (GEP), üç çeşit fizik bilgili sinir ağı (PINN) ve bir temel yapay sinir ağı geliştirildi ve 569 laboratuvar ölçeğinde veri içeren USGS ayak aşınma veritabanı kullanılarak değerlendirildi.

GEP, 0,883’lük bir belirleme katsayısı R² ile en yüksek tahmin doğruluğunu ve en düşük tahmin hatalarını elde ederek güçlü bir genelleme yeteneği gösterdi. PINN çeşitleri arasında, GreyBox modeli fiziksel tutarlılık ve tahmin doğruluğu arasında dengeli bir denge sağlarken, PINN-Lite orta düzeyde hassasiyetle hesaplama maliyetini düşürdü ve PINN-Melville basitleştirilmiş deneysel ilişkilerin gömülmesinin sınırlamalarını vurguladı. SHapley eklemeli açıklamaları, yerel yorumlanabilir modelden bağımsız açıklamalar, bireysel koşullu beklenti grafikleri ve kısmi bağımlılık grafikleri dahil olmak üzere açıklanabilir yapay zeka (XAI) teknikleri, model tahminlerini yorumlamak için uygulandı. Analiz, hız oranı ve tortu oranının baskın öngörücüler olduğunu ve hidrolik-tortu etkileşimlerinin aşınma tepkilerini şekillendirdiğini ortaya koymuştur. Sonuçlar, aşınma derinliğindeki değişikliklerin esas olarak su akışının ne kadar güçlü olduğuna ve tortunun nasıl davrandığına bağlı olduğunu göstermiştir. GEP, PINN’ler ve XAI’nin entegrasyonu, tahmin doğruluğunu fiziksel yorumlanabilirlikle birleştiren güçlü bir çerçeve sunarak köprü tasarımı, güvenlik değerlendirmesi ve aşınma riski yönetimi için değerli bilgiler sunmaktadır.