基于深度学习的盾构掘进姿态预测模型

摘要：

盾构掘进姿态的偏差变化和趋势,是现场管理者掌控项目施工安全与质量所需的关键信息.为了提高姿态控制的自动化与智能化水平,设计了基于小波变换(WT)与长短期记忆神经网络(LSTM)的预测模型WT-LSTM,通过历史施工数据对未来时刻盾构姿态参数进行预测,并对模型进行多次试验,以确定最优参数.在工程实例中,所提出的模型对各参数的预测均方根误差均较低.通过与其他方法的对比实验表明,所设计的模型能够实现根据历史数据准确预测未来时刻的盾构掘进姿态,辅助施工现场管理者和操作人员高效决策,提前规避异常掘进姿态,解决目前盾构施工人工决策低效、不稳定以及数据闲置等问题,对于保障盾构稳定掘进、减少盾构项目风险事故具有重要价值.

关键词：盾构施工、深度学习、小波变换、长短期记忆神经网络、盾构姿态预测

所属期刊栏目：18

分类号：TU94(地下建筑)

资助基金：国家自然科学基金;国家自然科学基金;交通运输行业重点实验室

在线出版日期：2023-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：813-821