开展公路隧道结构状态精准预测是掌握隧道结构状态变化、识别潜在安全风险和保障安全运营的重要技术手段。针对隧道监控量测测点的空间分布与时序特性,提出了一种基于河马优化(Hippopotamus Optimization, HO)算法和卷积神经网络(Convol...开展公路隧道结构状态精准预测是掌握隧道结构状态变化、识别潜在安全风险和保障安全运营的重要技术手段。针对隧道监控量测测点的空间分布与时序特性,提出了一种基于河马优化(Hippopotamus Optimization, HO)算法和卷积神经网络(Convolutional Neural Network, CNN)的双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)网络公路隧道结构状态预测方法。量化分析测点间关联性,结合温度特征构建模型输入矩阵;利用CNN挖掘各测点的空间关联性,采用BiLSTM提取时间序列特征,引入HO算法优化模型参数;将预测结果映射为隧道结构状态等级,展示隧道整体受力状态。结果表明,建立的HO-CNN-BiLSTM模型能够有效提取空间和温度特征,在预测精度和稳定性方面均优于对比模型,可实现隧道结构状态精确评估,为公路隧道的安全运营及分级管控措施制定提供技术支撑。展开更多
文摘开展公路隧道结构状态精准预测是掌握隧道结构状态变化、识别潜在安全风险和保障安全运营的重要技术手段。针对隧道监控量测测点的空间分布与时序特性,提出了一种基于河马优化(Hippopotamus Optimization, HO)算法和卷积神经网络(Convolutional Neural Network, CNN)的双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)网络公路隧道结构状态预测方法。量化分析测点间关联性,结合温度特征构建模型输入矩阵;利用CNN挖掘各测点的空间关联性,采用BiLSTM提取时间序列特征,引入HO算法优化模型参数;将预测结果映射为隧道结构状态等级,展示隧道整体受力状态。结果表明,建立的HO-CNN-BiLSTM模型能够有效提取空间和温度特征,在预测精度和稳定性方面均优于对比模型,可实现隧道结构状态精确评估,为公路隧道的安全运营及分级管控措施制定提供技术支撑。
