基于灰色关联分析下深度学习盾构姿态预测模型

U455.43; 为解决盾构姿态偏离隧道设计轴线的问题,提出一种基于长短期记忆(LSTM)与支持向量回归(SVR)的堆叠集成预测模型.利用灰色关联分析将灰色关联度较低的滚动角参数剔除后通过离散小波转换(DWT)去噪处理,将处理后的数据分别进行两个单一模型预测后进行最优赋权得到DWT-LSTM-SVR堆叠预测模型.其中,将刀盘水平位移、盾尾水平位移、刀盘垂直位移和盾尾垂直位移作为预测模型的输出变量,其余22个掘进参数和5个地层参数为输入变量,并将DWT-LSTM-SVR模型应用于珠江三角洲水资源配置工程A3标段.结果表明:DWT-LSTM-SVR模型的4个盾构姿态参数预测值与真实值误差与其他模型...

Full description

Saved in:
Bibliographic Details
Published in工程科学与技术 Vol. 57; no. 2; pp. 203 - 213
Main Authors 满轲, 柳宗旭, 商艳, 宋志飞, 刘晓丽, 苏宝
Format Journal Article
LanguageChinese
Published 北方工业大学 土木工程学院,北京 100144%北方工业大学 土木工程学院,北京 100144 01.03.2025
鄂尔多斯应用技术学院 土木工程系,内蒙古自治区 鄂尔多斯 107020%鄂尔多斯应用技术学院 土木工程系,内蒙古自治区 鄂尔多斯 107020%清华大学 水圈科学与水利工程国家重点实验室,北京 100084%广东珠三角城际轨道交通有限公司,广东 广州 510335
Subjects
deep learning
堆叠集成预测模型
灰色关联度
stacking ensemble prediction model
深度学习
误差预测
error prediction
shield attitude
gray correlation
盾构姿态
Online AccessGet full text
ISSN2096-3246
DOI10.12454/j.jsuese.202300377

Cover

More Information
Summary:U455.43; 为解决盾构姿态偏离隧道设计轴线的问题,提出一种基于长短期记忆(LSTM)与支持向量回归(SVR)的堆叠集成预测模型.利用灰色关联分析将灰色关联度较低的滚动角参数剔除后通过离散小波转换(DWT)去噪处理,将处理后的数据分别进行两个单一模型预测后进行最优赋权得到DWT-LSTM-SVR堆叠预测模型.其中,将刀盘水平位移、盾尾水平位移、刀盘垂直位移和盾尾垂直位移作为预测模型的输出变量,其余22个掘进参数和5个地层参数为输入变量,并将DWT-LSTM-SVR模型应用于珠江三角洲水资源配置工程A3标段.结果表明:DWT-LSTM-SVR模型的4个盾构姿态参数预测值与真实值误差与其他模型相比较小,说明该模型可以有效结合单一模型,且在剔除与4个盾构姿态参数关联度较低的参数后可以提高模型预测精度;DWT-LSTM-SVR模型的评价指标均满足施工误差要求,其中,对于盾尾位移值的预测效果较好,平均绝对百分比误差约为0.02,拟合度R2值均高于0.98,说明DWT-LSTM-SVR模型可以满足模型设计要求.通过建立不同数据集分析数据数量对堆叠模型预测精度的敏感性,结果表明数据越多堆叠模型预测精度越高,可为其他盾构姿态的提前调整提供一定参考.
ISSN:2096-3246
DOI:10.12454/j.jsuese.202300377