为提高盾构隧道开挖所引发的土体沉降的预测精度,基于自注意力机制提出了一种能捕获沉降数据时空特性和关键信息的深度神经网络模型(bidirectional recurrent neural network based on self-attention mechanism,SAM-Bi-RNN)。该模型使...为提高盾构隧道开挖所引发的土体沉降的预测精度,基于自注意力机制提出了一种能捕获沉降数据时空特性和关键信息的深度神经网络模型(bidirectional recurrent neural network based on self-attention mechanism,SAM-Bi-RNN)。该模型使用多个传感器的时序数据作为输入,采用多层双向循环神经网络架构来捕捉沉降数据间的时空相关性和长距离依赖关系;通过在相邻循环层中嵌入自注意力层来加强模型对关键数据特征的提取及其内部自相关性的捕捉;比较了双向长短期记忆(bidirectional long short-term memory,Bi-LSTM)与双向门控制循环单元(bidirectional gated recurrent unit,Bi-GRU)两种变体模型在引入自注意力机制前后对土体沉降的预测效果。选用杭州某隧道项目数据集验证SAM-Bi-RNN模型,结果表明:与其他模型相比,SAM-Bi-LSTM模型对不同监测点的预测性能最好,其总平均绝对误差为0.0366 mm,总均方根误差为0.0348 mm。此外,该模型对苏州某隧道项目数据集中各测点的预测平均绝对误差均低于7.0%,说明其泛化性较好,且置信区间统计分析表明该结果具有95%的可靠性。然而,在实际应用中建议根据工程需要对超参数微调以满足预测精度需求。展开更多
