基于优化长短时记忆网络的深基坑变形预测方法及其工程应用

摘要

为更精准地预测基坑开挖诱发的支护结构变形，构建一种紧邻隧道深基坑变形预测模型，采用灰狼优化算法（grey wolf optimizer,GWO）自动优化长短时记忆网络模型（long short-term memory, LSTM）中的超参数，提升了原始LSTM模型预测结果的准确性。以南京市区内某紧邻隧道的深基坑项目为工程背景，对比分析BP神经网络、原始LSTM和GWO-LSTM模型的基坑变形预测结果，3种模型的决定系数（R²）分别为0.992、0.967和0.999,说明了GWO-LSTM模型在预测深基坑变形方面的优势和准确性。最后，采用GWO-LSTM模型对D₁₄监测点变形进行预测分析，预测结果与实测值基本一致，研究结果可为紧邻隧道深基坑安全建设提供技术支撑。

关键词

深基坑工程 / 变形预测 / 机器学习 / 神经网络 / 优化算法