针对石窟寺岩体裂隙发育缓慢、影响因素多样化,难以对裂隙发育情况进行预测的问题,提出了一种新的基于深度学习的岩体裂隙发育预测网络(FDPNet:Fracture Development Prediction Network),即并行自注意力机制混合网络。FDPNet通过局部...针对石窟寺岩体裂隙发育缓慢、影响因素多样化,难以对裂隙发育情况进行预测的问题,提出了一种新的基于深度学习的岩体裂隙发育预测网络(FDPNet:Fracture Development Prediction Network),即并行自注意力机制混合网络。FDPNet通过局部卷积模块和全局循环模块对序列数据的时间相关性进行建模,使模型能准确捕捉到不同时间尺度的时间模式。同时通过引入自注意力机制对多元时序数据中不同序列之间复杂的依赖关系进行建模。在此基础上,利用传统的自回归模型进一步提高模型的鲁棒性。此外,以Q市北石窟寺32号窟6个月的裂隙发育相关因素监测数据构建了国内外首个该领域的数据集。在该数据集上进行的对比实验结果表明,该模型在石窟寺岩体裂隙发育预测场景下具有更好的性能表现。展开更多
文摘针对石窟寺岩体裂隙发育缓慢、影响因素多样化,难以对裂隙发育情况进行预测的问题,提出了一种新的基于深度学习的岩体裂隙发育预测网络(FDPNet:Fracture Development Prediction Network),即并行自注意力机制混合网络。FDPNet通过局部卷积模块和全局循环模块对序列数据的时间相关性进行建模,使模型能准确捕捉到不同时间尺度的时间模式。同时通过引入自注意力机制对多元时序数据中不同序列之间复杂的依赖关系进行建模。在此基础上,利用传统的自回归模型进一步提高模型的鲁棒性。此外,以Q市北石窟寺32号窟6个月的裂隙发育相关因素监测数据构建了国内外首个该领域的数据集。在该数据集上进行的对比实验结果表明,该模型在石窟寺岩体裂隙发育预测场景下具有更好的性能表现。