基于MK-LSTM算法的盾构掘进参数相关性分析及结构变形预测

摘要

提出了MIC-K-median-LSTM(MK-LSTM)算法，用于对盾构掘进过程进行参数相关性分析和结构变形预测。首先，运用改进的MIC(MK)算法对涉及盾构掘进过程中的各参数与结构变形进行相关性分析；然后，在得到相关系数的基础上提出输入参数的修正方法；最后，通过LSTM模型对不同维度输入参数的预测效果进行分析，确定合理的输入参数维度。结果表明：盾构参数对既有结构变形的影响大于土体参数；MK算法可以有效降低计算复杂度和减小噪声对数据的影响，基于参数相关系数的数据前处理方法有利于提高模型的预测精度；MK-LSTM可以有效预测结构随时间的变形规律，考虑数据维度对预测精度的提升效果和计算效率的影响，进行实际工程预测时可以根据参数相关性大小进行维度删减。

关键词

盾构隧道 / 机器学习 / 参数维度 / 参数相关性 / 变形