基于深度学习的双盾道挖掘引起的纵向表面沉积的预测方法

科学领域:

• 地质技术工程 地质技术工程
• 在土木工程中的人工智能.
• 道和地下建筑工程

背景情况:

• 由于有限的数据和高维度的操作参数,盾牌挖掘对预测表面沉积提出了挑战.
• 准确预测地表沉积的情况对于减轻与地下建筑项目相关的风险至关重要.

研究的目的:

• 开发一个优化的深度学习框架,用于预测由盾牌挖掘引起的纵向表面沉积.
• 解决解决方案预测中小样本数据和高维参数的挑战.
• 将双子道的影响纳入定居点预测模型.

主要方法:

• 对比了各种优化算法,选择了粘液模具算法 (SMA) 来进行随机森林 (RF) 的超参数优化.
• 使用SMA-优化的射频 (SMA-RF) 来进行维度减小和特征贡献分析.
• 提出了一种双输入深度神经网络 (D-DNN) 框架,以考虑双道影响并提高数据保真度.

主要成果:

• 与其他优化算法相比,SMA表现出更高的性能.
• 累计贡献超过90%的输入特征产生了高预测准确度.
• 降低的盾牌操作参数与表面沉积有着强烈的非线性关系.
• 考虑到双道的D-DNN模型,数据库扩展了1.5倍以上,R2提高了27.85%,MAE减少了53.2%,相比S-DNN.

结论:

• 拟议的D-DNN框架有效地预测了表面沉积,通过结合双道效应,优于传统方法.
• 使用SMA-RF的特征选择对于准确的结算预测至关重要,尽管特征贡献分析显示了小数据集的不确定性.
• 该研究强调了优化深度学习对复杂的地质技术工程问题的潜力.