基于灰色关联分析下深度学习盾构姿态预测模型

摘要

为解决盾构姿态偏离隧道设计轴线的问题，提出一种基于长短期记忆（LSTM）与支持向量回归（SVR）的堆叠集成预测模型。利用灰色关联分析将灰色关联度较低的滚动角参数剔除后通过离散小波转换（DWT）去噪处理，将处理后的数据分别进行两个单一模型预测后进行最优赋权得到DWT–LSTM–SVR堆叠预测模型。其中，将刀盘水平位移、盾尾水平位移、刀盘垂直位移和盾尾垂直位移作为预测模型的输出变量，其余22个掘进参数和5个地层参数为输入变量，并将DWT–LSTM–SVR模型应用于珠江三角洲水资源配置工程A3标段。结果表明：DWT–LSTM–SVR模型的4个盾构姿态参数预测值与真实值误差与其他模型相比较小，说明该模型可以有效结合单一模型，且在剔除与4个盾构姿态参数关联度较低的参数后可以提高模型预测精度；DWT–LSTM–SVR模型的评价指标均满足施工误差要求，其中，对于盾尾位移值的预测效果较好，平均绝对百分比误差约为0.02，拟合度R²值均高于0.98，说明DWT–LSTM–SVR模型可以满足模型设计要求。通过建立不同数据集分析数据数量对堆叠模型预测精度的敏感性，结果表明数据越多堆叠模型预测精度越高，可为其他盾构姿态的提前调整提供一定参考。

关键词

盾构姿态 / 灰色关联度 / 深度学习 / 堆叠集成预测模型 / 误差预测