基于深度残差LSTM的盾构姿态预测

作     者：周康敏 程康 曾少翔 丁智 余颂 冯治国 ZHOU Kangmin;CHENG Kang;ZENG Shaoxiang;DING Zhi;YU Song;FENG Zhiguo

作者机构：浙江省城市盾构隧道安全建造与智能养护重点实验室浙江杭州310015 浙江工业大学土木工程学院浙江杭州310014 可再生能源基础设施建造技术教育部工程研究中心浙江杭州310014 中铁十一局集团有限公司湖北武汉430061 中铁大桥勘测设计院集团有限公司湖北武汉430050 

基　　金：浙江省城市盾构隧道安全建造与智能养护重点实验室开放基金(HZCU-UST-23-01) 

出 版 物：《隧道建设（中英文）》 (Tunnel Construction)

年 卷 期：2024年第44卷第8期

页      码：1643-1651页

摘      要：深度学习模型相比于常规机器学习模型能够更准确地预测盾构姿态,但在增加网络层数以提升性能时,常遇到网络退化问题。为解决此问题,提出基于深度残差LSTM的盾构姿态预测方法。该方法将残差连接融入长短期记忆(LSTM)神经网络,提升深层网络训练的可行性,并可以有效学习盾构时序数据中的长期依赖关系,同时利用贝叶斯优化算法进行超参数调优。依托浙江某盾构工程数据集对所提方法进行验证,以盾尾水平偏移预测为例,深度残差LSTM模型预测的决定系数(R^(2))达到了0.90,平均绝对误差(MAE)为0.76 mm,相较于LSTM模型(R^(2)为0.64,MAE为1.08 mm)和人工神经网络模型(R^(2)为0.68,MAE为1.93 mm),深度残差LSTM模型可以更准确地预测盾构姿态。此外,与LSTM模型相比,深度残差LSTM模型能有效利用更多的网络层(从5层增加到8层),证明了残差连接在防止网络退化、加强盾构数据特征学习能力方面的显著作用。

主 题 词：盾构隧道 LSTM 残差连接 机器学习 贝叶斯优化 姿态预测 

学科分类：081406[081406] 08[工学] 0814[工学-地质类] 082301[082301] 0823[工学-农业工程类] 

核心收录：

D　O　I：10.3973/j.issn.2096-4498.2024.08.011

馆 藏 号：203140783...