基于DFOS技术和混合深度学习的深挖工程的监测和变形
Yanli Peng1, Jie Zhao2, Yijiang Fan1
1College of Civil Engineering and Architecture, Dalian University, Dalian, 116000, China.
Scientific reports
|May 9, 2025
概括
这项研究引入了一种混合CNN-LSTM-SAM模型,用于准确的深度挖掘排位预测. 先进的模型显著提高了预测准确性,为建筑工程实践提供了更好的支持.
科学领域:
- 地质技术工程 地质技术工程
- 人工智能的人工智能
- 土木工程 土木工程是指土木工程.
背景情况:
- 中国的城市化增加了监测和预测深度挖掘变形的关键性.
- 传统的神经网络模型在高精度位移警告的准确性和概括性方面扎.
研究的目的:
- 提出和验证一种新的混合神经网络模型,CNN-LSTM-SAM,用于增强深度挖掘排位预测.
- 解决先进混合模型在深度挖掘分析中的有限应用问题.
主要方法:
- 开发了一种混合卷积神经网络,长期短期记忆网络和自我注意力机制 (CNN-LSTM-SAM) 模型.
- 利用分布式光纤传感 (DFOS) 的时间序列监控数据进行训练和预测.
- 将CNN-LSTM-SAM性能与反向传播 (BP),LSTM和CNN-LSTM模型进行比较.
主要成果:
- CNN-LSTM-SAM模型表现出优异的预测准确性,在监测点S5.5的R2比其他模型提高了高达12.42%.
- 在多个监测点上观察到准确度的持续改善,验证了模型的适用性和稳定性.
- 该模型有效地整合了特征提取 (CNN),长期记忆 (LSTM) 和信息加权 (SAM).
结论:
- 该CNN-LSTM-SAM模型在深度挖掘中提供了显著的进步,在预测深度挖掘位移的准确性方面取得了重大进展.
- 该模型为实际的建筑工程和风险管理提供了更可靠的支持.
- 这些发现为设计和建造类似的深度挖掘项目提供了宝贵的参考资料.
