陈仁朋1,2,3?覮,戴田1,2,3,张品4,吴怀娜1,2,3.基于机器学习算法的盾构掘进地表沉降预测方法[J].湖南大学学报:自然科学版,2021,(7):111~118
基于机器学习算法的盾构掘进地表沉降预测方法
Prediction Method of Tunneling-induced Ground Settlement Using Machine Learning Algorithms
  
DOI:
中文关键词:  盾构隧道  地表沉降  机器学习  优化
英文关键词:shield tunnel  ground settlement  machine learning  optimization
基金项目:
作者单位
陈仁朋1,2,3?覮,戴田1,2,3,张品4,吴怀娜1,2,3 (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 4100824. 香港理工大学 土木与环境工程学系香港 九龙) 
摘要点击次数: 73
全文下载次数: 58
中文摘要:
      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.
英文摘要:
      It is difficult to consider the prediction of ground settlement under the coupling effect of multiple factors for the finite element method and formation loss rate. Based on the multi-factor and nonlinear fitting ability of back-propagation neural network(BPNN) and random forest(RF),these two machine learning algorithms are adopted to predict the tunneling-induced ground settlement. The optimum hyper-parameters of the two machine learning algorithms are determined by particle swarm optimization(PSO),and k-fold cross validation method is used to improve the robustness of the prediction method. The prediction results indicate that the prediction error of BP neural network is larger and it’s hard for BP neural network to predict the large settlement. The random forest algorithm can accurately predict the maximum settlement and longitudinal ground settlement curve.
查看全文  查看/发表评论  下载PDF阅读器
关闭