基于数据驱动的盾构竖向姿态预测深度学习模型OA北大核心CSTPCD

在盾构掘进过程中,竖向姿态控制难度较大,盾体常与设计轴线产生偏差。为解决既有盾构姿态预测模型无法准确提取数据特征和有效去除数据噪声的问题,充分挖掘盾构掘进实测数据时间序列信息,依托合肥地铁7号线耕耘路站—清潭路站区间盾构隧道工程,对收集的掘进数据进行预处理,包括去除停机状态数据及异常数据,提出用于盾构竖向姿态预测的CNN-LSTM组合模型,并将测试集上的模型预测结果与传统回归模型进行对比,最后对不同样本数量及固定网络参数时的模型性能进行研究。研究结果表明:CNN-LSTM组合模型对盾构竖向姿态的预测效果较好,在测试集上的预测平均绝对误差E_(MA)和均方根误差E_(RMS)较低,同时预测的决定系数R^(2)较高,表明模型具有较小的预测误差和较高的预测精度;与ARIMA、LSTM和SVR模型相比,CNN-LSTM模型在测试集上预测的R^(2)分别提高了1.04%、19.75%和79.63%,此外,模型的预测E_(MA)和E_(RMS)较低,并且训练耗时显著降低;不同训练集样本数量对CNN-LSTM模型性能有一定影响,当训练集样本数量与测试集样本数量之比为4:1时,模型预测的R^(2)最高,表明此时模型具有最佳的预测性能;增加训练集样本数量可能导致过拟合问题,降低模型的泛化能力,减少训练集样本数量则可能导致欠拟合问题,使模型在测试集上的预测精度下降;固定部分网络参数可以有效减少训练参数量和训练时间,同时提高模型的预测精度,当固定4层网络参数时,模型预测性能最佳,预测的R^(2)为0.93,预测的E_(MA)和E_(RMS)分别为0.029和0.048,训练耗时为46 s。