基于LSTM网络的地铁隧道运营期间沉降预测研究

摘要：

为提高地铁隧道运营期间沉降变形预测的精度,本文提出了采用长短期记忆网络(LSTM网络)对运营期间的地铁隧道进行沉降预测.通过利用传统的反向神经网络(BP神经网络)和LSTM神经网络建立机器学习模型,通过2组深圳市某地铁隧道实测数据,对机器学习模型的预测精确度进行对比分析.实验结果表明:相比于传统的BP神经网络,LSTM网络模型预测误差较低,可降低20％左右;LSTM网络的预测结果与实测沉降值更为接近.研究成果表明将循环神经网络之一的LSTM网络引入运营期间地铁隧道的沉降预测中,可大幅度提升预测效果.

关键词：循环神经网络、长短期记忆网络、地铁隧道、沉降预测

所属期刊栏目：29

分类号：TU196(建筑基础科学)

在线出版日期：2022-11-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：45-48