基于深度学习的隧道混凝土温度滚动预测方法研究

为实时掌握隧道大体积混凝土内部温度变化,及时制定合理的控温措施,防止隧道大体积混凝土在浇筑过程中由于大范围的水化热反应而产生温度裂缝,基于长短期记忆神经网络LSTM(long short-term memory)和门控循环单元神经网络GRU(gate recurrent unit)2种深度学习算法的多参数、非线性拟合能力,提出隧道大体积混凝土内部温度变化的滚动预测方法,并依托衢州市智慧新城三江中路连通隧道工程建设中采用的双光栅传感器现场混凝土温度实测数据,采用平均绝对误差MAE(mean absolute error)和决定系数(R2)对2类模型的预测结果精度进行检验评价。结果表明:2种网络模型均能捕捉隧道大体积混凝土内部温度发展规律,准确预测隧道大体积混凝土内部温度变化曲线,且GRU的精度优于LSTM。其中,GRU的MAE为1.34℃,比LSTM减小1.07℃,同时GRU的R2为0.98,也优于LSTM的R2(0.9)。