• 首 页期刊简介编 委 会规章制度作者指南审稿流程联系我们
期刊封面
张振威,黄晓彬,陈何峰,赵程.基于灰色长短时记忆网络融合模型的隧道沉降预测[J].河北工程大学自然版,2021,38(4):53-59
基于灰色长短时记忆网络融合模型的隧道沉降预测
Prediction of Tunnel Settlement Based on Grey LSTM Neural Network Combined Model
投稿时间:2021-09-26  
DOI:10.3969/j.issn.1673-9469.2021.04.008
中文关键词:  沉降预测  长短时记忆神经网络  灰色模型  快速非支配遗传算法  组合模型
英文关键词:settlement prediction  LSTM  GM(2,1)  NSGA-Ⅱ  combined model
基金项目:上海市市级科技重大专项(2017SHZDZX02)
作者单位
张振威 同济大学 岩土与地下工程教育部重点实验室, 上海 200092
同济大学 地下建筑与工程系, 上海 200092 
黄晓彬 同济大学 建筑设计研究院, 上海 200092 
陈何峰 同济大学 建筑设计研究院, 上海 200092 
赵程 同济大学 岩土与地下工程教育部重点实验室, 上海 200092
同济大学 地下建筑与工程系, 上海 200092 
摘要点击次数: 48
全文下载次数: 13
中文摘要:
      地下建筑工程中,对地下结构的变形监测无法有效预防灾害发生,因此需要开展变形预测的研究。传统预测方法多属于静态预测,无法实现随沉降发展的动态调整,且评价指标单一。结合灰色模型GM (2,1)与长短时记忆神经网络(LSTM)两种动态预测模型,基于快速非支配遗传算法构建了同时考虑两种评价指标的组合模型,依据某工程长期监测数据对隧道沉降进行预测。结果显示:长短时记忆神经网络模型与灰色模型在精度上优于其他模型,能够准确预估沉降发展,其中长短时记忆神经网络优势更明显;使用快速非支配多目标优化遗传算法进行组合模型的权值分配可以较快得到两种评价指标下的最优定权方案,结合每种模型的优势,得到较精确的预测效果。
英文摘要:
      The deformation monitoring of underground structures is no longer sufficient to prevent disasters. Therefore, the prediction of underground structure deformation is necessary. In the study, two dynamic prediction models of GM(2,1) and LSTM are combined to predict the tunnel settlement under artificial mountain, which used the NSGA-Ⅱ algorithm considering two evaluation indicators to achieve better prediction results, based on the long-term monitoring data of a tunnel project. The results show that LSTM can ensure higher prediction accuracy and can better simulate the development trend of settlement, meanwhile the gray model is difficult to simulate more local settlement changes. The combined models can quickly obtain the optimal weighting scheme under multiple evaluation indexes with the NSGA-Ⅱ algorithm. It can combine the advantages of each model, and get a more accurate prediction effect.
  查看/发表评论  下载PDF阅读器  下载全文
关闭