基于EMD-SSA-GRNN模型的浅埋道的沉积变形的时间序列预测
Tao Li1, Jiajun Shu2, Duliang Chang2
1School of Mechanics and Civil Engineering, China University of Mining and Technology-Beijing, Beijing, 100010, China. lit@cumtb.edu.cn.
Scientific reports
|January 3, 2024
概括
一种新方法通过将数据分解为实证模式分解 (EMD) 和通过稀疏搜索算法 (SSA) 优化神经网络来改进道结算预测. 这提高了关键基础设施监控的准确性.
科学领域:
- 地质技术工程 地质技术工程
- 土木工程 土木工程是指土木工程.
- 计算力学 计算力学 计算力学
背景情况:
- 由于非线性动态和历史数据干扰,道结算监测存在挑战.
- 准确预测道变形对于确保基础设施安全和稳定至关重要.
研究的目的:
- 为道沉积变形开发一种先进的预测模型,克服现有方法的局限性.
- 通过整合数据分解和参数优化,提高道沉积预测的准确性和可靠性.
主要方法:
- 经验模式分解 (EMD) 用于将监测数据分解为内在模式函数 (IMF),减少尺度相互作用.
- 一个通用回归神经网络 (GRNN) 使用Sparse搜索算法 (SSA) 进行了优化,以创建EMD-SSA-GRNN模型.
- 该模型使用来自浅层道的现场变形数据进行了验证.
主要成果:
- 根据EMD-SSA-GRNN模型,预测准确度显著提高,相对于其他模型,预测准确度相对提高了19.2%至59.4%.
- 道结算呈现出不同的阶段:缓慢,快速和缓慢的变化,受挖掘时间和地质层的影响.
- 与基线模型相比,拟议的模型显示出较低的错误指标和与测量数据的更强的相关性.
结论:
- EMD-SSA-GRNN模型为道沉积变形预测提供了可靠和准确的方法.
- 该方法有效地处理道沉积数据中的复杂,非线性动态变化.
- 调查结果为道项目的设计和安全管理提供了宝贵的见解.
