为更精准地预测基坑开挖诱发的支护结构变形,构建一种紧邻隧道深基坑变形预测模型,采用灰狼优化算法(grey wolf optimizer,GWO)自动优化长短时记忆网络模型(long short-term memory,LSTM)中的超参数,提升了原始LSTM模型预测结果的准确...为更精准地预测基坑开挖诱发的支护结构变形,构建一种紧邻隧道深基坑变形预测模型,采用灰狼优化算法(grey wolf optimizer,GWO)自动优化长短时记忆网络模型(long short-term memory,LSTM)中的超参数,提升了原始LSTM模型预测结果的准确性。以南京市区内某紧邻隧道的深基坑项目为工程背景,对比分析BP神经网络、原始LSTM和GWO-LSTM模型的基坑变形预测结果,3种模型的决定系数(R2)分别为0.992、0.967和0.999,说明了GWO-LSTM模型在预测深基坑变形方面的优势和准确性。最后,采用GWO-LSTM模型对D14监测点变形进行预测分析,预测结果与实测值基本一致,研究结果可为紧邻隧道深基坑安全建设提供技术支撑。展开更多
文摘为更精准地预测基坑开挖诱发的支护结构变形,构建一种紧邻隧道深基坑变形预测模型,采用灰狼优化算法(grey wolf optimizer,GWO)自动优化长短时记忆网络模型(long short-term memory,LSTM)中的超参数,提升了原始LSTM模型预测结果的准确性。以南京市区内某紧邻隧道的深基坑项目为工程背景,对比分析BP神经网络、原始LSTM和GWO-LSTM模型的基坑变形预测结果,3种模型的决定系数(R2)分别为0.992、0.967和0.999,说明了GWO-LSTM模型在预测深基坑变形方面的优势和准确性。最后,采用GWO-LSTM模型对D14监测点变形进行预测分析,预测结果与实测值基本一致,研究结果可为紧邻隧道深基坑安全建设提供技术支撑。
