基于ESMD-FE-AJSO-LSTM算法的水闸深基坑变形预测

水闸深基坑开挖变形具有明显的非线性和非稳定性特征，基于此，引入极点对称模态分解算法（extremepoint symmetric mode decomposition method,ESMD）对水闸深基坑开挖变形原型监测序列进行多模态分解，并基于模糊熵（fuzzy entropy, FE）理论对各分解分量进行模糊多模态相空间重构，从而有效甄别水闸基坑变形不同时间尺度有效物理特征。构建基于人工水母搜索算法（artificial jellyfish search optimizer,AJSO）优化的长短期记忆（long short-term memory,LSTM）人工神经网络模型，以重构后的各重构子序列为基础进行优化训练，并把训练后的各预测模态分量合并，实现对水闸基坑开挖变形动态预测和分析。以张家港市十一圩江边枢纽改建工程基坑开挖变形监测为例，采用上述方法对该枢纽工程基坑开挖过程变形进行预测和分析。结果表明：基于ESMD-FE-AJSOLSTM算法的水闸深基坑变形预测方法能够有效预测基坑开挖变形非线性特征，相比传统LSTM、循环神经网络（recurrent neural network,...