基于GA-Bi-LSTM的盾构隧道下穿既有隧道沉降预测模型
- 岩土工程
- 2022-11-04
- 63热度
- 0评论
Q0:基础知识
- LSTM神经网络
- 遗传算法(原理)
- 当层法
- 归一化
- 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