基于深度残差LSTM的盾构姿态预测

深度学习模型相比于常规机器学习模型能够更准确地预测盾构姿态,但在增加网络层数以提升性能时,常遇到网络退化问题。为解决此问题,提出基于深度残差LSTM的盾构姿态预测方法。该方法将残差连接融入长短期记忆(LSTM)神经网络,提升深层网络训练的可行性,并可以有效学习盾构时序数据中的长期依赖关系,同时利用贝叶斯优化算法进行超参数调优。依托浙江某盾构工程数据集对所提方法进行验证,以盾尾水平偏移预测为例,深度残差LSTM模型预测的决定系数(R^(2))达到了0.90,平均绝对误差(MAE)为0.76 mm,相较于LSTM模型(R^(2)为0.64,MAE为1.08 mm)和人工神经网络模型(R^(2)为0.68,MAE为1.93 mm),深度残差LSTM模型可以更准确地预测盾构姿态。此外,与LSTM模型相比,深度残差LSTM模型能有效利用更多的网络层(从5层增加到8层),证明了残差连接在防止网络退化、加强盾构数据特征学习能力方面的显著作用。