文献类型：期刊文章

作　　者：李洛宾[1,2,3] 龚晓南[1,2,3] 甘晓露[1,2,3] 程康[1,2,3] 侯永茂[4]

Li Luobin;Gong Xiaonan;Gan Xiaolu;Cheng Kang;Hou Yongmao(College of Civil Engineering and Architecture,Zhejiang University,Hangzhou 310058,China;Research Center of Coastal and Urban Geotechnical Engineering,Zhejiang University,Hangzhou 310058,China;Engineering Research Center of Urban Underground Development,Zhejiang University,Hangzhou 310058,China;Shanghai tunnel Engineering Co.,Ltd.,Shanghai 200082,China)

机构地区：[1]浙江大学建筑工程学院,浙江杭州310058 [2]浙江大学滨海和城市岩土工程研究中心,浙江杭州310058 [3]浙江大学浙江省城市地下空间开发工程技术研究中心,浙江杭州310058 [4]上海隧道工程有限公司,上海200082

出　　处：《土木工程学报》

基　　金：国家自然科学基金资助(5177858575);浙江省重点研发计划(2019C03103)

年　　份：2020

卷　　号：53

期　　号：S01

起止页码：13-19

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：伴随着计算机技术的快速发展,机器学习等新兴算法正在被越来越多地运用于预测隧道掘进引发的地面最大沉降。在隧道施工过程中,由盾构机和地面监测点位采集的数据具有很强的序列化特征,而传统的机器学习算法对序列数据的处理存在一定的局限性。循环神经网络(RNN)具有极强的对时序型数据的处理能力,在视频识别、语音翻译等领域有着广泛的应用。采用两种RNN模型(LSTM、GRU)和传统的BP神经网络模型,以地质参数、几何参数和盾构机参数作为输入,对隧道施工过程中引发的地面最大沉降进行预测分析。结果显示,RNN对隧道沉降的预测结果优于传统的BP神经网络模型,并且RNN在连续未知区段的预测结果比BPNN更加稳定。

关 键 词：沉降预测 盾构隧道 循环神经网络 机器学习  

分 类 号：TP183] U455.43]