基于GA-Bi-LSTM的盾构隧道下穿既有隧道沉降预测模型

Q0：基础知识

1. LSTM神经网络
2. 遗传算法（原理）
3. 当层法
4. 归一化
5. 模型评估指标

Q1：文献在解决什么问题（摘要、引言）

为盾构隧道下穿既有隧道安全控制提供支撑，进行新建隧道下穿既有隧道的沉降预测误差

Q2：为什么问题在这个领域重要（引言）

1、隧道沉降值超过规定范围，会引发各类工程灾害

2、已有研究存在问题存在较多问题如：

• 理论计算模型自变量较多、参数数值难以确定
• 经验公式适应性差
• 数值模拟无法准确模拟真实复杂地层情况，简化处理有误差

3、当前神经网络的预测对象多为地表，对既有隧道沉降研究较少

4、隧道沉降变形作为施工安全控制的重要预警信息，建立模型进行预测，并反馈给施工现场，从而对盾构施工参数进行调整与优化，对于保证既有隧道的安全运营有着重要意义。

Q3：作者怎么解决这个问题的（具体试验设计、优化）

1、工程背景：长沙轨道交通 3 号线灵官渡 站～侯家塘站～东塘站区间

2、模型原理LSTM+Bi+GA

LSTM：RNN+遗忘门、输入门、输出门

Bi-LSTM：两个信息传递方向相反的网络结构

GA-Bi-LSTM：GA对长度(seq)、隐藏层的单元数(hs)、隐藏层层数(hl)、LSTM 的层数(ls)以 及 dropout(dp)进行优化

3、模型参数选择

工程地质：变形模量

空间参数：上覆地层换算深度、两隧道间的换算净距、中轴线的水平间距

盾构施工参数：土仓压力、掘进速度、注浆压力、注浆量大小

4、数据集

137组，8：2划分训练和测试集

5、评估指标

平均绝对误差(MAE)，均方根差(RMSE、及样本回归值(R2)

6、对比模型

BP、SVM、LSTM、Bi-LSTM

输入、输出、训练与 GABi-LSTM 保持一致，其余超参数均采用贝叶斯优化算法进行选取

Q4：问题解决的亮点、局限、应用（数据分析、应用展示、结论、展望）

BP，SVM，LSTM，Bi-LSTM 五种预测模型进行对比

五种模型及格率都在75%以上，但本模型的优秀率高，所以更好

表明该模型具有更优的拟合精度以及预测性能，能够较为准确的对盾构施工下穿既有隧道的沉降进行预测

结论：

1、上述模型都有较为合理的预测结果

2、相较于BP，SVM，LSTM，Bi-LSTM 神经网络模型拥有更高的预测精度和更良好的稳定性