文献类型：期刊文章

作　　者：陈仁朋[1,2,3] 戴田[1,2,3] 张品[4] 吴怀娜[1,2,3]

CHEN Renpeng;DAI Tian;ZHANG Pin;WU Huaina(Key Laboratory of Building Safety and Energy Efficiency of Ministry of Education,Hunan University,Changsha 410082,China;National Center for International Research Collaboration in Building Safety and Environment,Hunan University,Changsha 410082,China;College of Civil Engineering,Hunan University,Changsha 410082,China;Department of Civil and Environmental Engineering,Hong Kong Polytechnic University,Kowloon,Hong Kong,China)

机构地区：[1]湖南大学建筑安全与节能教育部重点实验室,湖南长沙410082 [2]湖南大学国家级建筑安全与环境国际联合研究中心,湖南长沙410082 [3]湖南大学土木工程学院,湖南长沙410082 [4]香港理工大学土木与环境工程学系,香港九龙

出　　处：《湖南大学学报（自然科学版）》

基　　金：国家自然科学基金重点项目(51938005);创新平台与人才计划-湖湘高层次人才聚集工程-创新团队(2019RS1030)。

年　　份：2021

卷　　号：48

期　　号：7

起止页码：111-118

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、JST、MR、RCCSE、ZGKJHX、核心刊

摘　　要：针对有限元、地层损失率等方法难以考虑多参数耦合作用情况下的地表沉降预测的问题,基于BP神经网络(BPNN)和随机森林算法(RF)两种机器学习算法的多参数、非线性拟合能力,提出了预测盾构掘进过程中地表最大沉降以及纵向沉降曲线的预测方法.通过粒子群算法(PSO)确定机器学习算法的最优超参数,通过k折交叉验证方法提高预测方法的鲁棒性.结果表明BP神经网络的预测结果误差较大,难以预测到较大的地表沉降,随机森林算法能够准确预测地表最大沉降和纵向沉降曲线.

关 键 词：盾构隧道 地表沉降 机器学习  优化  

分 类 号：U455.43] P642.26]