深基坑挡土墙是工程实践中常用的支护结构,对限制深基坑变形和预防工程事故起着重要的作用。深基坑工程往往会布置多个不同深度的测点,然而现有研究大多只预测了单个测点的未来侧移,浪费了其余测点的监测数据。以杭州市某深基坑工程为背...深基坑挡土墙是工程实践中常用的支护结构,对限制深基坑变形和预防工程事故起着重要的作用。深基坑工程往往会布置多个不同深度的测点,然而现有研究大多只预测了单个测点的未来侧移,浪费了其余测点的监测数据。以杭州市某深基坑工程为背景,建立基于贝叶斯优化的多输出长短期记忆(Long short term memory,LSTM)神经网络模型,在保证模型最优性能的情况下,采用历史监测数据输入对深基坑的多个测点进行预测,并单独提取墙体每日最大侧移预测值进行分析。研究结果表明:结合贝叶斯优化的多输出LSTM神经网络模型在深基坑墙体多测点侧移预测方面展现出理想的预测效果,模型R^(2)达到了0.94,每日最大侧移预测值的模型R^(2)为0.91,略低于整体预测。展开更多
多任务学习是一种联合多个任务同时学习来增强模型表示和泛化能力的手段,任务之间的相关性是多任务学习的基本因素.为解决任务差异的内在冲突会损害部分任务的预测的问题,提出一种基于相关性学习层(correlation learning layer,CLL)的...多任务学习是一种联合多个任务同时学习来增强模型表示和泛化能力的手段,任务之间的相关性是多任务学习的基本因素.为解决任务差异的内在冲突会损害部分任务的预测的问题,提出一种基于相关性学习层(correlation learning layer,CLL)的多任务学习模型,并将该模型作为新的代理模型应用于贝叶斯优化算法中,以期解决昂贵的优化问题.在传统的多任务学习网络后面增加相关性学习层,使已经完成初步共享学习的任务在该层进行优化共享,令多个任务所学习到的知识充分交互起来.根据不同的基于参数的共享机制,构建带有相关性层的LeNet和径向基函数(radial basis function,RBF)多任务学习模型,在多任务版本的美国国家标准与技术研究所(Mixed National Institute of Standards and Technology,MNIST)数据集和任务相关性可控制的综合数据集上进行实验,验证了所提出的基于相关性层的多任务学习模型的有效性.将所提多任务学习网络作为代理模型应用于贝叶斯优化算法中,不仅能减少模型对目标问题的评价次数,还能成倍地扩充训练数据数量,进而提升模型的性能.展开更多
文摘深基坑挡土墙是工程实践中常用的支护结构,对限制深基坑变形和预防工程事故起着重要的作用。深基坑工程往往会布置多个不同深度的测点,然而现有研究大多只预测了单个测点的未来侧移,浪费了其余测点的监测数据。以杭州市某深基坑工程为背景,建立基于贝叶斯优化的多输出长短期记忆(Long short term memory,LSTM)神经网络模型,在保证模型最优性能的情况下,采用历史监测数据输入对深基坑的多个测点进行预测,并单独提取墙体每日最大侧移预测值进行分析。研究结果表明:结合贝叶斯优化的多输出LSTM神经网络模型在深基坑墙体多测点侧移预测方面展现出理想的预测效果,模型R^(2)达到了0.94,每日最大侧移预测值的模型R^(2)为0.91,略低于整体预测。
文摘多任务学习是一种联合多个任务同时学习来增强模型表示和泛化能力的手段,任务之间的相关性是多任务学习的基本因素.为解决任务差异的内在冲突会损害部分任务的预测的问题,提出一种基于相关性学习层(correlation learning layer,CLL)的多任务学习模型,并将该模型作为新的代理模型应用于贝叶斯优化算法中,以期解决昂贵的优化问题.在传统的多任务学习网络后面增加相关性学习层,使已经完成初步共享学习的任务在该层进行优化共享,令多个任务所学习到的知识充分交互起来.根据不同的基于参数的共享机制,构建带有相关性层的LeNet和径向基函数(radial basis function,RBF)多任务学习模型,在多任务版本的美国国家标准与技术研究所(Mixed National Institute of Standards and Technology,MNIST)数据集和任务相关性可控制的综合数据集上进行实验,验证了所提出的基于相关性层的多任务学习模型的有效性.将所提多任务学习网络作为代理模型应用于贝叶斯优化算法中,不仅能减少模型对目标问题的评价次数,还能成倍地扩充训练数据数量,进而提升模型的性能.
