使用TimeGAN和LSTM神经网络预测隧道开挖引起的建筑物沉降
陈雪峰
宁波市建设工程安全质量管理服务总站,浙江 宁波 315046
摘要：隧道开挖可能引起施工场所附近建筑物的沉降,进而导致建筑物破坏.考虑到建筑物沉降的传统预测模型难以处理复杂非线性数据的问题,以宁波地铁5号线同德路站—石碶站区间监测数据为例,使用时间序列对抗神经网络(TimeGAN)对原始监测数据进行扩增,建立了基于长短期记忆神经网络(LSTM)深度学习网络的建筑物沉降预测模型,分析了原始监测数据扩增前后建筑物沉降预测模型的预测结果.结果表明:TimeGAN新生成的数据与原始建筑物沉降数据重叠性较好;新生成建筑物沉降数据的判别分数(Discriminative Score)、预测分数(Predictive Score)分别为0.1759和0.0412;新生成数据与原始数据相似程度较高、较好的保留了原始数据的预测特性;与原始数据相比,使用新生成数据进行建筑物沉降预测,LSTM网络预测结果的准确率提高了23％;TimeGAN-LSTM网络预测结果的准确率达到了80％、预测值与监测值吻合性较好.研究成果对隧道开挖的正常施工具有一定的参考价值.
关键词：隧道开挖建筑物沉降预测长短期记忆神经网络时间序列对抗神经网络
分类号：U455(隧道工程)
资助基金：国家自然科学基金(51678352)
论文发表日期：2022-09-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 107-115 )
英文信息