准确的盾构荷载预测有助于优化盾构机操作参数,确保隧道施工过程中的安全性.基于此,从盾构荷载数据的时序特征出发,利用机器学习技术构建由门控神经单元网络(Gated Recurrent Unit)和注意力机制(Attention mecha-nism)组成的GRU-Attention模型.该模型可以挖掘数据的时序性特征和重要时间节点信息.同时,依托杭州某盾构隧道工程,收集整理监测数据,通过试验对模型的预测性能进行验证.结果表明,与对照模型相比,GRU-Attention模型取得的MAE和RMSE值最小,R2值最大,表明该模型具有较好的数据挖掘能力,能够较准确地预测施工过程中的荷载变化;通过消融试验发现,GRU-Attention模型能够结合各个子模型的优点,准确预测盾构荷载,可为同类工程提供参考.
NETL
NSTL
万方数据
