为克服公路隧道开挖过程中传统预警方法的局限性,本文提出一种基于双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)的隧道围岩变形动态时序更新模型。随着隧道掘进的推进,模型通过不断结合新断面数据,动态调整权重,...为克服公路隧道开挖过程中传统预警方法的局限性,本文提出一种基于双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)的隧道围岩变形动态时序更新模型。随着隧道掘进的推进,模型通过不断结合新断面数据,动态调整权重,从而使其能够适应不断变化的地质条件。在围岩变形预测中,这一动态更新过程有助于逐步提高对围岩位移和围岩稳定时间预测的准确性。依托浙江温州市小燕隧道进行了方法的验证与应用,并对隧道左洞共计23组断面的围岩稳定性进行合理可靠的预测分析,验证其预测的有效性。对比分析表明,BiLSTM在时序预测和最终沉降值的预测方面优于其他深度学习模型,在长期时序预测中能够有效捕捉围岩稳定时间和位移波动。展开更多
文摘为克服公路隧道开挖过程中传统预警方法的局限性,本文提出一种基于双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)的隧道围岩变形动态时序更新模型。随着隧道掘进的推进,模型通过不断结合新断面数据,动态调整权重,从而使其能够适应不断变化的地质条件。在围岩变形预测中,这一动态更新过程有助于逐步提高对围岩位移和围岩稳定时间预测的准确性。依托浙江温州市小燕隧道进行了方法的验证与应用,并对隧道左洞共计23组断面的围岩稳定性进行合理可靠的预测分析,验证其预测的有效性。对比分析表明,BiLSTM在时序预测和最终沉降值的预测方面优于其他深度学习模型,在长期时序预测中能够有效捕捉围岩稳定时间和位移波动。
