基于多输出LSTM神经网络的深基坑侧移预测

深基坑挡土墙是工程实践中常用的支护结构,对限制深基坑变形和预防工程事故起着重要的作用。深基坑工程往往会布置多个不同深度的测点,然而现有研究大多只预测了单个测点的未来侧移,浪费了其余测点的监测数据。以杭州市某深基坑工程为背景,建立基于贝叶斯优化的多输出长短期记忆(Long short term memory,LSTM)神经网络模型,在保证模型最优性能的情况下,采用历史监测数据输入对深基坑的多个测点进行预测,并单独提取墙体每日最大侧移预测值进行分析。研究结果表明:结合贝叶斯优化的多输出LSTM神经网络模型在深基坑墙体多测点侧移预测方面展现出理想的预测效果,模型R^(2)达到了0.94,每日最大侧移预测值的模型R^(2)为0.91,略低于整体预测。

多源数据融合的土性参数预测方法

场地勘察是岩土工程建设中至关重要的环节,静力触探测试(Cone penetration test,CPT)和多通道表面波试验(Multi-channel analysis of surface waves,MASW)分别是常用的岩土工程勘察和地球物理探测方法,两种方法各有优势和局限性。首先,通过多源数据融合的土性参数预测方法将MASW试验获得的剪切波速(V S)转换为锥尖阻力(q_(c));然后,基于随机森林算法将转换结果与CPT获得的实测q_(c)相结合,从而实现对目标场地剖面上q_(c)的预测;最后,根据实测CPT参数采用准确性评价指标评价该预测方法的准确性。研究结果表明:V S与q_(c)之间有较强的相关性,采用转换模型将V S转换为q_(c)的预测准确性高于经验公式,所提方法能够有效预测目标场地的土性参数,相较于未融合MASW参数的预测模型,采用多源数据融合方法获得的模型准确性有所提升。

基于FNN和LSTM对挡土墙侧移的预测研究

在基坑开挖过程中,为准确预测未来一段时间内基坑挡土墙侧移量,文章基于杭州市富阳区某工程中2、3号测斜管对基坑挡土墙的侧移监测数据,分别采用LSTM神经网络(Long Short Term Memory)和FNN(Feedforward Neural Network)神经网络对挡土墙建立动态预测模型,并采用R2和均方误差(MSE)作为两种神经网络预测模型的评价指标。研究结果表明,LSTM神经网络相较于FNN神经网络表现出更高的预测精度,更适用于基坑挡土墙侧移的动态预测问题,可为基坑施工过程中挡土墙侧移和安全预警提供参考。

基于机器学习模型理论的基坑沉降预测研究

基坑开挖引起的地面沉降是基坑工程中需要注意的关键性问题,其具有出现区域广泛、发生灾害后果恶劣等特点。为了对基坑沉降进行准确有效的预测,以杭州市某基坑为工程背景,分别采用LSTM(Long Short Term Memory)神经网络和SVM(Support Vector Machines)对基坑沉降建立了预测模型,并通过预测任务评价指标和散点图误差线来检验模型的预测精度。研究结果表明:LSTM模型相比SVM模型表现出了更高的预测精度,更适用于基坑沉降的预测问题,并可为施工现场提供可靠的理论参考。