基于GA-Bi-LSTM的盾构隧道下穿既有隧道沉降预测模型

摘要：

为了对盾构隧道下穿既有隧道的安全控制提供支撑,以既有地铁隧道的沉降预测误差为目标,采用遗传算法(GA)对双向长短期记忆网络(Bi-LSTM)结构中的时间序列的长度、隐藏层的单元数、隐藏层层数、LSTM的层数以及dropout进行参数优化,并在综合考虑工程地质参数、空间参数和盾构施工参数的基础上,构建GA-Bi-LSTM既有隧道沉降预测模型.以长沙轨道交通3号线平行下穿长沙轨道交通1号线区间工程为依托,基于该区间内的既有隧道沉降监测值以及对应的输入参数数据,对模型进行训练和测试.研究结果表明:提出的GA-Bi-LSTM模型对既有隧道沉降预测的平均绝对误差(MAE)、均方根(RMSE)、样本回归值(R2)分别为0.42,0.45,0.90,平均相对误差仅为10.78％,相较于BP,SVM,LSTM,Bi-LSTM神经网络模型拥有更好的预测精度,说明该模型具有较好的可靠性和实用性,可为新建隧道下穿既有隧道的沉降预测提供一种新的思路和方法.

关键词：隧道工程、盾构隧道、神经网络、遗传算法、预测模型、沉降量

所属期刊栏目：42

分类号：U45(隧道工程)

资助基金：国家自然科学基金;湖南省自然科学基金项目

在线出版日期：2023-05-23（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：224-234