深度学习驱动的预测和对高速铁路道周围岩石变形的比较研究
Zeping Yang1, Zhikai Cheng2, Da Wu1
1China Railway Tunnel Consultants Co., Ltd., Guangzhou, China.
Scientific reports
|July 6, 2025
概括
一个新的混合深度学习模型,WOA-CNN-GRU,准确预测高速铁路道变形. 这种先进的模型显著提高了预测准确性,为道建设项目提供了增强的安全性和风险减轻.
科学领域:
- 土木工程 土木工程是指土木工程.
- 地质技术工程 地质技术工程
- 人工智能的人工智能
背景情况:
- 高速铁路道建设产生复杂,离散的监控数据.
- 准确的变形预测对于确保道的稳定性和安全性至关重要.
研究的目的:
- 开发一种混合深度学习模型,用于精确预测高速铁路道的变形.
- 评估模型的性能与传统的深度学习架构相比.
主要方法:
- 开发了一个新的WOA-CNN-GRU模型,集成数据预处理,特征提取 (CNN,GRU) 和预测.
- 为减轻异常值,采用了二次指数平滑.
- 利用了G道建设300小时的连续变形记录.
主要成果:
- WOA-CNN-GRU模型实现了0.1257毫米的根平均平方误差 (RMSE) 和0.51%的平均绝对百分比误差 (MAPE).
- 它在变形预测准确度方面显著超过了RNN,LSTM,GRU和CNN-GRU模型.
- 该模型显示了强大的概括,平均绝对误差低于1mm,相对误差低于1%.
结论:
- 混合智能模型有效地捕捉了道工程中的非线性,时空变形模式.
- WOA-CNN-GRU模型为民用基础设施项目实时监控和降低风险提供了实用的解决方案.
更多相关视频
09:00Visualization of Failure and the Associated Grain-Scale Mechanical Behavior of Granular Soils under Shear using Synchrotron X-Ray Micro-Tomography
Published on: September 29, 2019
13.5K
06:55Kinematic History of a Salient-recess Junction Explored through a Combined Approach of Field Data and Analog Sandbox Modeling
Published on: August 5, 2016
8.3K
