基于深度学习的特殊岩土隧道围岩变形预测研究

作者：吕擎峰; 李钰^*; 牛荣; 续晓花; 毛宁; 康卿瑜

来源：应用基础与工程科学学报, 2023, 31(06): 1590-1600.

DOI：10.16058/j.issn.1005-0930.2023.06.015

• 特殊岩土隧道
• 监控量测
• 深度学习
• WMIC
• 长短期记忆网络
• 变形预测

泥岩、粉质黏土和碎石土等特殊岩土隧道围岩变形量大、变形速度快且影响因素复杂.基于施工监控量测数据，采用加权最大互信息系数(WMIC)和长短期记忆网络(LSTM)理论方法建立综合考虑不同影响因子共同作用下的WMIC-LSTM模型进行深度学习，预测隧道围岩变形的趋势变化.研究结果表明：特殊岩土隧道中围岩变形与地下水条件相关性最大(WMIC=0.21),初始输入步长(step)的选择对模型预测结果影响显著；相比传统的LSTM模型，WMIC-LSTM在长时间序列模型中对不同变形趋势的隧道变形曲线的预测误差更小，最优平均绝对误差(MAE)达到0.079;循环神经网络算法下的深度学习模拟预测符合预期结果，可以为隧道智能化监测和安全施工提供技术手段和预警依据.

• 单位
  甘肃路桥公路投资有限公司; 兰州大学