基于VMD-CNN-BiLSTM模型与注意力机制融合的盾构施工诱发地表沉降时序预测

摘要

针对盾构隧道施工诱发的地表沉降预测中，传统经验公式与单一机器学习模型对多源参数非线性时序特征挖掘不足的问题，建立一种能有效表征复杂地层扰动响应动态关联性的深度学习模型，对盾构施工诱发的地表沉降进行预测。通过融合变分模态分解（variational mode decomposition, VMD）、卷积神经网络（convolutional neural network, CNN）、双向长短期记忆网络（bidirectional long short-term memory, BiLSTM）与注意力机制（attention mechanism, Attention）,构建VMD-CNN-BiLSTM-Attention预测模型。基于该模型，利用VMD分解沉降时序数据并采用CNN提取盾构掘进参数（推力、扭矩等）与地层参数（弹性模量、黏聚力、渗透系数等）的空间特征，在此基础上结合BiLSTM挖掘时序依赖关系，基于长沙地铁6号线东延段盾构下穿机场跑道过程中地表沉降监测数据对本研究构建的模型进行训练。最后将模型预测结果与现场实测数据进行对比，对比结果表明：本模型测试集均方根误差(root mean square error,E_RMS)较小，决定系数（R²）达0.96以上，显著提升了地表沉降预测精度，能够为盾构施工诱发的沉降控制与风险预警提供理论支持。

关键词

盾构施工 / 地表沉降预测 / 变分模态分解 / 深度学习