基于机器学习的盾构掘进地表沉降控制及参数优化研究

摘要：

针对盾构施工过程中引发的地表沉降问题,通过优化掘进参数实现对地表沉降的控制,保障施工顺利进行.基于长短期记忆神经网络(LSTM)与粒子群算法(PSO)等方法,提出改进LSTM-PSO掘进参数优化模型.首先,构建长短期记忆神经网络模型预测地表沉降,并与随机森林(RF)和BP神经网络的预测结果进行对比,证明LSTM模型的优越性;然后,采用组合权重改进LSTM模型,对比改进前后的地表沉降预测效果;最后,基于改进LSTM地表沉降预测模型,结合粒子群算法,构建改进LSTM-PSO掘进参数优化模型,将其应用于青岛某地铁盾构工程中并验证其可靠性.研究结果表明:1)LSTM模型在拟合精度和泛化能力方面均比RF模型和BP模型表现出更加优越的性能;采用组合权重改进LSTM模型,改进后的模型对地表沉降的预测性能得到了进一步提升.2)采用改进LSTM-PSO模型对掘进参数进行优化后,实际施工中地表沉降监测值均在合理范围内,说明所构建的改进LSTM-PSO掘进参数优化模型具有良好的可靠性和工程实用性.

关键词：盾构施工、地表沉降控制、掘进参数、长短期记忆神经网络、粒子群算法

所属期刊栏目：43

分类号：U455(隧道工程)

在线出版日期：2024-01-19（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：1985-1995