基于机器学习的盾构施工地表沉降预测方法研究
孙 森1，葛爱迪2，康建国1，庞宇哲1，周亚东2*
(1. 中交一公局第八工程有限公司，天津 300170; 2. 天津城建大学 土木工程学院，天津 300384)
摘 要： 对长短期记忆网络(LSTM)模型进行了网络结构优化改进，依托几何参数、地质参数和掘进参数等多源数据进行了特征提取，深入分析了隧道盾构施工引发的地表沉降，并对比分析了BP神经网络模型和LSTM模型的预测精度。分析结果表明：LSTM模型相较于BP神经网络模型具有更好的预测能力，与实际工程监测数据更加吻合;在施工过程中，可利用模型预测数据对地表沉降变形提供超前预警，通过调整盾构掘进参数来实现地表变形控制。相关研究结论可为类似盾构施工地表沉降预测提供参考。
关键词： 盾构施工; 地表沉降; 机器学习; 神经网络; 预测方法
基金项目： 国家自然科学基金(51608351);天津市自然科学基金(18JCZDJC10010)
引文格式： 孙森，葛爱迪，康建国，等. 基于机器学习的盾构施工地表沉降预测方法研究[J]. 市政技术，2024，42(8)：142-149. (SUN S，GE A D，KANG J G，et al. Research on surface settlement prediction method of shield construction based on machine learning[J]. Journal of municipal technology，2024，42(8)：142-149.)