| 基于灰色长短时记忆网络融合模型的隧道沉降预测 |
| |
| 引用本文： | 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].河北工程大学学报,2021,38(4):53-59. |
| |
| 作者姓名： | 张振威 黄晓彬 陈何峰 赵程 |
| |
| 作者单位： | 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;同济大学 建筑设计研究院,上海200092 |
| |
| 基金项目： | 上海市市级科技重大专项（2017SHZDZX02） |
| |
| 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。
|
| 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 |
| 收稿时间： | 2021/9/26 0:00:00 |
Prediction of Tunnel Settlement Based on Grey LSTM Neural Network Combined Model |
| |
| Authors: | ZHANG Zhenwei HUANG Xiaobin CHEN Hefeng and ZHAO Cheng |
| |
| Affiliation: | Key Laboratory of Geotechnical & Underground Engineering of Ministry of Education, Tongji University, Shanghai 200092, China;Department of Geotechnical Engineering, Tongji University, Shanghai 200092, China,Tongji Architectural Design, Shanghai 200092, China,Tongji Architectural Design, Shanghai 200092, China and Key Laboratory of Geotechnical & Underground Engineering of Ministry of Education, Tongji University, Shanghai 200092, China;Department of Geotechnical Engineering, Tongji University, Shanghai 200092, China |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《河北工程大学学报》浏览原始摘要信息 |
|
点击此处可从《河北工程大学学报》下载全文 |
|
