基于PSO-LSTM的盾构掘进施工进度预测方法

随着国家水网建设加快,大、长隧洞增加,盾构施工越来越广泛。针对盾构掘进工期预测困难的问题,采用粒子群优化算法(PSO)确定长短期记忆网络模型(LSTM)的学习率、神经元个数,提出了基于PSO-LSTM模型的盾构掘进工期预测方法,并以珠三角水资源配置工程盾构掘进为例进行了实例验证,结果表明:1)运用粒子群优化算法(PSO)的高效、全局最优搜索能力来优化长短期记忆网络模型(LSTM)参数,提高了LSTM模型的训练效率和精度,从而实现更准确的盾构掘进工期预测,预测结果的平均相对误差为5.34%,小于BP神经网络、非线性回归、高斯过程回归(GPR)模型的平均相对误差;2)盾构掘进工期和盾构掘进分段、地质条件、人员配置、降雨等因素有关,其中分段(负环、出洞、正常、进洞)对工期影响最大,为了缩短工期、提高施工效率,在实际施工中应做好各段施工的衔接工作。