基于LSTM算法的基坑变形预测

doi:10.3973/j.issn.2096-4498.2022.01.014

中国科学引文数据库（CSCD）来源期刊
中文核心期刊中文科技核心期刊
Scopus RCCSE中国核心学术期刊
美国EBSCO数据库俄罗斯《文摘杂志》
《日本科学技术振兴机构数据库（中国）》

隧道建设（中英文） ›› 2022, Vol. 42 ›› Issue (1): 113-120.DOI: 10.3973/j.issn.2096-4498.2022.01.014

基于LSTM算法的基坑变形预测

张生杰，谭勇^*

(同济大学地下建筑与工程系，上海 200092)

出版日期:2022-01-20 发布日期:2022-01-28
作者简介:张生杰(1997—)，男，山东临沂人，同济大学建筑与土木工程专业在读硕士，研究方向为基坑变形预测。E-mail: 1932452@tongji.edu.cn。*通信作者：谭勇， E-mail: tanyong21th@tongji.edu.cn。
基金资助:
国家自然科学基金(41877286)

Deformation Prediction of Foundation Pit Based on Long Short-Term Memory Algorithm

ZHANG Shengjie, TAN Yong^*

(Department of Geotechnical Engineering, Tongji University, Shanghai 200092, China)

Online:2022-01-20 Published:2022-01-28

摘要/Abstract

摘要：

在基坑正常施工的情况下，为准确预测基坑未来一段时间内地下连续墙的水平变形，基于某地铁基坑工程现场监测数据，利用LSTM算法进行模型训练，得到基坑变形预测模型。在前期实测数据的基础上，利用预测模型分别对基坑开挖期、浇筑底板后2种工况下的基坑地下连续墙水平变形进行预测，得到基坑地下连续墙的变形预测值，并结合其他预测模型的预测结果进行误差对比分析。结果表明：相比于BP预测模型和灰色预测模型，LSTM预测模型具有更高的准确性。通过对多测点多工况的进一步预测验证，证明了该模型的稳定性和可靠性。

关键词: 基坑工程, 变形预测, 监测数据, LSTM

Abstract: The longshort-term memory(LSTM) algorithm is used for model training based on the field monitoring data of a metro foundation pit to accurately predict the horizontal deformation of diaphragm walls of foundation pits. The model predicts the horizontal deformation of the diaphragm wall of the foundation pit under two conditions: excavation and postfoundation slab-pouring, and the predicted results are compared with those obtained using other models. The results show that the prediction accuracy of LSTM model is higher compared with the BP prediction and gray prediction models. The additional prediction based on multiple measuring points and working conditions indicates the recommended model′s stability and reliability.

Key words: foundation pit, deformation prediction, monitoring data, longshort-term memory algorithm

中图分类号:

U 45

张生杰, 谭勇. 基于LSTM算法的基坑变形预测[J]. 隧道建设, 2022, 42(1): 113-120.

ZHANG Shengjie, TAN Yong. Deformation Prediction of Foundation Pit Based on Long Short-Term Memory Algorithm[J]. Tunnel Construction, 2022, 42(1): 113-120.

[1]	何嵘国, 张孝勇, 汪旭, 赵子越, 安顺彪. 基于深度学习的地铁隧道监控量测数据分析预测方法[J]. 隧道建设, 2021, 41(S2): 261-267.
[2]	王进, 孙超, 付乔, 李俊银, 贾立翔, 张文轩. 基于BOFDA的地下连续墙变形监测技术研究[J]. 隧道建设, 2021, 41(S2): 558-564.
[3]	梁永丰, 吴波, 王晋进, 李成虎, 索潇, 张珂. 基于正交试验、FAHP-价值工程法的基坑工程回灌参数优选[J]. 隧道建设, 2021, 41(9): 1492-1501.
[4]	李方毅, 张晓平, 许丹, 姜军, 周智, 沈婕, 王浩杰, 张心悦. 基于支持向量机的气压辅助掘进条件下盾构隧道地表变形预测研究[J]. 隧道建设, 2021, 41(7): 1159-1165.
[5]	刘锦, 李峰辉, 刘秀秀. 优化GA-BP神经网络模型及基坑变形预测[J]. 隧道建设, 2021, 41(10): 1733-1739.
[6]	黄杰卿, 李瑛, 刘兴旺. 上方卸载的隧道结构2 阶段联合分析方法[J]. 隧道建设, 2020, 40(5): 672-678.
[7]	房有亮, 卢治仁, 王进, 付乔, 资晓鱼, 连正. 基于支撑伺服组合系统超深基坑安全支护技术研究[J]. 隧道建设, 2019, 39(S2): 120-128.
[8]	杨建烽, 郑余朝, 陈强, 严石友. 盾构下穿既有地铁区间隧道沉降控制研究[J]. 隧道建设, 2019, 39(S2): 385-392.
[9]	马蕾, 韩玉琪, 倪静, 汤俊杰, 李林. 浅埋大直径盾构隧道施工期衬砌上浮及地表隆起的模型研究[J]. 隧道建设, 2019, 39(S1): 194-201.
[10]	杨会军, 孔恒. 复杂条件下明挖技术“21字”设计施工基本原则[J]. 隧道建设, 2019, 39(7): 1147-1151.
[11]	王建波，有维宝，刘芳梦，杨迪瀛，张薇. 基于改进Vague相似汇总法的城市深基坑工程绿色施工评价研究[J]. 隧道建设, 2018, 38(S1): 7-14.
[12]	赵淑敏. 基于数量化理论Ⅲ和极限学习机在小净距隧道变形影响因素分析中的应用研究[J]. 隧道建设, 2018, 38(9): 1456-1462.
[13]	马琳. 基于混沌递进预测模型与趋势检验的深基坑变形规律研究[J]. 隧道建设, 2018, 38(6): 934-940.
[14]	陈艳茹. 基于遗传算法和极限学习机的智能算法在基坑变形预测中的应用[J]. 隧道建设, 2018, 38(6): 941-947.
[15]	蒋桂梅，李常茂，任庆国. 隧道洞口边坡变形的多阶段递进预测研究[J]. 隧道建设, 2018, 38(10): 1660-1666.

基于LSTM算法的基坑变形预测

Deformation Prediction of Foundation Pit Based on Long Short-Term Memory Algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价