基于LSTM-DNN(长短期记忆-深度神经网络)融合模型的土压平衡盾构土仓压力预测方法

[目的]土仓压力是土压平衡盾构施工安全评估的关键参数,准确预测土仓压力有助于施工技术人员及时采取管控措施,进而保障地铁隧道的建设安全性。因此,有必要对土压平衡盾构土仓压力预测方法进行研究。[方法]提出一种多分支的LSTM(长短期记忆)-DNN(深度神经网络)融合模型。LSTM分支通过回溯历史数据提取其时序演变特征,DNN分支提取掘进状态特征,将两者组合后通过全连接层进行融合,实现对土仓压力的预测。依托济南轨道交通1号线实际盾构隧道数据对模型进行验证,并与LSTM模型、DNN模型进行了对比分析。[结果及结论]基于LSTM-DNN融合算法建立的土仓压力预测模型可以高效收敛,且所提模型在训练集和验证集上的预测效果良好。在后续的100步测试中,由LSTM-DNN融合模型得出的土仓压力预测值较好地反映了真实值的变化趋势,其平均偏差为7.65 kPa,相对误差为6.09%,预测精度较高。

基于PSO-BP的土压盾构土仓压力预测模型及掘进参数敏感性分析

盾构掘进过程中,为防止地表沉降或隆起,土仓压力的预测与控制至关重要.本文基于哈尔滨地铁3号线大有坊—太平桥区间右线盾构掘进监测数据,建立了一种基于粒子群算法优化的BP神经网络(PSO-BP)的土仓压力预测模型.该模型以螺旋机转速、刀盘扭矩、推进速度、刀盘转速、加泥流量、总推进力为输入,以土仓压力为输出,在测试集上预测平均绝对百分比误差(MAPE)为6.28%,可决系数(R2)为0.8313,能较精确地预测土仓压力.选用全局敏感性分析方法,获取了不同掘进参数的总敏感性排序:加泥流量>螺旋机转速>总推进力>刀盘扭矩>刀盘转速>推进速度,并分析了不同掘进参数耦合作用对土仓压力的影响.采用多项式拟合的方法,得到了掘进参数与土仓压力之间的函数关系式.研究结果可为实现盾构土压平衡过程中掘进参数的合理高效调节提供新的思路.