CNN-LSTM模型在边坡可靠度分析中的应用

摘要：

为了准确高效地对边坡可靠度进行分析,在对420个边坡数据进行整理分析的基础上,建立了基于卷积神经网络(Convolutional Neural Network,CNN)与长短时记忆网络(Long Short-Term Memory,LSTM)的混合可靠度分析模型.首先,通过CNN模块提取数据特征;其次,构建LSTM模块并对边坡失效概率进行预测;然后,通过5因素4水平正交表L16对模型超参数进行优化;最后,通过2个算例进行对比验证.结果表明:(1)相比传统的蒙特卡洛法(MCS),CNN-LSTM模型预测失效概率相对误差仅为4.35%,而一次二阶矩法和响应面法相对误差为169.6%;在计算耗时方面,CNN-LSTM模型耗时45 s,MCS耗时119 s,CNN-LSTM模型效率比MCS提高了近 2 倍.(2)对比分析CNN、LSTM模型和多元线性回归模型(Multiple Linear Regression,MLR)等多种机器学习方法用于可靠度分析方面的计算性能,得出CNN-LSTM模型边坡失效概率预测相对误差远远小于CNN(104%)、LSTM(91.3%)和MLR(34.78%)的相对误差,且计算耗时最少;(3)算例验证了CNN-LSTM模型在边坡可靠度分析方面具有可行性和优越性.

关键词：边坡、可靠度、正交试验设计、超参数、CNN-LSTM模型

所属期刊栏目：31

分类号：TU43(土力学、地基基础工程)

资助基金：国家重点研发计划;安徽省高校自然科学研究项目

在线出版日期：2023-10-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：613-623