基于卷积神经网络-长短期记忆的施工期盾构管片上浮过程预测模型

摘要：

为了实现施工期盾构管片上浮过程的智能预测,采用动力水准仪对施工期盾构管片上浮过程进行自动化监测并建立了基于卷积神经网络-长短期记忆(CNN-LSTM)深度学习算法的管片上浮过程智能预测模型.结果表明:管片上浮阶段呈现出"阶梯状",即管片上浮主要发生在盾构掘进期间,且掘进状态的上浮量最大,占峰值的75.24%～98.29%;CNN-LSTM模型对施工期盾构管片上浮过程具有较好的预测效果,在训练集上的均方误差MSE、平均绝对误差MAE和决定系数R2分别为0.038 7、0.148 2和0.999 3,在测试集上为0.030 7、0.138 9和0.801 9;相较于反向传播(BP)模型,CNN-LSTM模型在训练集与测试集上的性能均有所提升,且测试集的提升更明显,最高可达89.71%.研究结果可为盾构管片上浮的现场实测及预防处治提供新思路.

关键词：盾构隧道、管片上浮、上浮过程、智能预测、自动监测

所属期刊栏目：51

分类号：U455(隧道工程)

资助基金：国家自然科学基金;国家自然科学基金;中铁十二局科研开发项目

在线出版日期：2023-09-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1352-1361