基于变压器的神经网络,用于每天的地面结算预测,考虑到空间相关性的基础坑的空间相关性
Xiaofeng Wu1,2, Song Yang3, Di Zhang3
1College of Civil Engineering and Architecture, Zhejiang University, Hangzhou, Zhejiang, China.
PloS one
|November 20, 2023
概括
这项研究介绍了一种基于变压器的深度学习模型,用于准确地预测深层基础坑的结算. 通过结合空间和时间的相关性,该方法显著提高了挖掘变形预测的安全性.
科学领域:
- 地质技术工程 地质技术工程
- 机器学习应用 机器学习应用
- 建筑工程安全 建筑工程安全
背景情况:
- 预测深层基础坑的沉积情况对于建筑安全至关重要.
- 现有的机器学习模型往往忽略了监控点之间的空间相关性.
- 准确的预测需要整合空间和时间数据.
研究的目的:
- 提出一种基于变压器的新型深度学习方法,用于预测深层基础坑的沉积.
- 通过结合空间相关性来解决以前模型的局限性.
- 为了提高挖掘变形预测的准确性和可靠性.
主要方法:
- 开发了一个基于变压器的深度学习架构.
- 建立了一个数据集,以捕捉所有监测点之间的空间相关性.
- 该模型与LSTM和RNN-LSTM模型以及之前的研究进行了验证.
主要成果:
- 提出的基于变压器的方法在预测挖掘变形方面表现出卓越的准确性.
- 该模型有效地整合了空间和时间的相关性,以改善预测.
- 对比分析证实了比现有方法更好的预测性能.
结论:
- 空间相关性是准确预测挖掘变形的一个关键因素.
- 基于变压器的深度学习模型为基础坑结算分析提供了显著的优势.
- 开发的方法为确保建筑安全提供了更可靠的工具.
