基于Bi-LSTM的结构变形预测

伴随着社会经济的快速发展,地铁、隧道、桥梁等建筑在人们的生活中占据的地位越来越高,预测分析建筑的结构变形数据,及时发现存在的安全隐患,至关重要.结合长短时记忆网络(Long Short Time Memory, LSTM)的优点,本文提出了一种基于双向长短时记忆网络(Bidirectional Long Short Time Memory, Bi-LSTM)的结构变形预测模型.该模型通过记忆时间节点前后的规律,预测当前节点变形数据,充分挖掘变形数据内部的关联信息.与WNN、LSTM、GRU模型进行对比,结果表明,该模型RMSE、MAPE、MAE分别下降了66.0%、61.2%、66.2%,是一种有效预测结构形变的方法.

基于正交参数优化的LSTM结构变形预测模型

随着社会经济的蓬勃发展,地铁、隧道、桥梁等大型建筑的需求也越来越大.通过对结构变形数据的分析与预测,可以判断结构未来的发展趋势,对安全隐患提前预警和采取应急措施,预防灾害的发生.由于变形监测数据通常具有不稳定性和非线性的特点,使得监测数据预测成为结构监测研究中的一个难题.针对结构变形预测模型存在的问题,本文提出了一种基于正交参数优化的长短时记忆网络(LSTM)结构变形预测模型.该模型通过LSTM网络结构获得时间序列的长期记忆,充分挖掘变形数据的内部时间特征;并通过正交试验对LSTM模型的参数进行优化;最后通过实测数据对模型进行验证,实验结果表明,模型预测值与实际监测值吻合较好.通过与WNN、DBN-SVR和GRU模型相比,平均RMSE、MAE和MAPE分别降低了56.01%、52.94%和52.78%,本文提出的基于正交参数优化的LSTM结构变形预测模型是一种有效的结构沉降方法,为结构安全施工以及运营的安全提供可靠信息,对确保结构安全具有重要意义.