原文传递
基于深度学习的特长公路隧道变形智能预测研究
| 论文题名： | 基于深度学习的特长公路隧道变形智能预测研究 |
| 关键词： | 隧道工程;现场监测;深度学习;拱顶沉降预测 |
| 摘要： | 拱顶沉降预测一直是隧道领域的热门研究话题，也是长期困扰隧道施工的难题。鉴于隧道沉降过大导致的施工安全事故众多，常给施工单位带来巨大的财产损失甚至人员伤亡。快速、准确的沉降预测能为隧道施工及支护提供可靠依据，然而目前有关山岭隧道拱顶沉降预测方法较少，且存在精度不高、适用性不强、时效性不够等问题。针对上述问题，本文在现场试验及深度学习神经网络建模基础上，系统研究了象君山隧道拱顶沉降变形规律，并基于此构建深度神经网络沉降智能预测模型。主要研究内容如下： （1）通过现场监测数据分析了隧道拱顶沉降变形规律。依托象君山特长隧道工程，首先描述了隧道围岩变形一般规律，指出隧道沉降变形呈现出三阶段变化模式；然后基于时间及距离两个变量归纳了隧道拱顶沉降的两种特性（时间特性、空间特性）；最后通过分析隧道拱顶沉降位移释放率与距掌子面距离及时间的关系，得出在开挖速度一定情况下，隧道拱顶沉降变形时间、空间效应流变曲线大体相近的结论。 （2）构建隧道拱顶沉降预测基础模型。基于隧道拱顶沉降位移释放率的时空效应关系，构建了三种基本深度学习神经网络预测模型（CNN、LSTM、ConvLSTM预测模型），主要内容包括：确定建模对象并对沉降预测数据进行选择，数据预处理及特征工程的构建，采用Spearman秩相关系数及距离相关系数法对相关特征进行评定打分，确定拱顶沉降关键影响因素。 （3）预测模型基本参数确定及训练。首先基于经验法及试错法对不同沉降预测基础模型进行参数择选，然后对试错结果进行分析并确定模型基本参数值，最后将不同模型训练结果进行对比分析，结果表明，较CNN、LSTM而言，ConvLSTM预测模型时空预测能力显著，且能大大减小模型拟合误差，提高模型预测能力，最高准确度可达87.6%。 （4）ConvLSTM预测模型应用及优化。将高里坪隧道拱顶沉降数据用于模型测试，结果表明，高里坪隧道预测准确度高达86.9%，与象君山隧道基本一致，验证了模型在其他工程中的适用性。将注意力机制及Adam算法用于模型优化，经高里坪隧道现场监测数据检验发现，优化后模型准确度提高至94%，最大沉降预测误差较普通模型降低1.8mm，平均误差较普通模型降低了0.7mm，由此表明，基于注意力机制及Adam优化算法改进优化后的ConvLSTM模型预测效果更好、准确度更高。 |
| 作者： | 徐卫奖 |
| 专业： | 建筑与土木工程 |
| 导师： | 翁效林 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
