基于机器学习模型理论的基坑沉降预测研究.pdfVIP

第４９卷第１２期山西建筑Ｖｏｌ．４９Ｎｏ．１２

２０２３年６月Ｊｕｎ．２０２３·９１·

ＳＨＡＮＸＩＡＲＣＨＩＴＥＣＴＵＲＥ

１０．１３７１９／ｊ．ｃｎｋｉ．１００９－６８２５．２０２３．１２．０２２

ＤＯＩ：

基于机器学习模型理论的基坑沉降预测研究

１２３

蒋陆乐，赵苏诚，王耿鑫

（１．宁波轨道交通集团有限公司建设分公司，浙江宁波３１５０００；

２．宁波市建设集团股份有限公司，浙江宁波３１５０００；３．浙江工业大学土木学院，浙江杭州３１００２３）

摘要：基坑开挖引起的地面沉降是基坑工程中需要注意的关键性问题，其具有出现区域广泛、发生灾害后果恶劣等特点。

为了对基坑沉降进行准确有效的预测，以杭州市某基坑为工程背景，分别采用ＬＳＴＭ（ＬｏｎｇＳｈｏｒｔＴｅｒｍＭｅｍｏｒｙ）神经网络和

ＳＶＭ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ）对基坑沉降建立了预测模型，并通过预测任务评价指标和散点图误差线来检验模型的预测精

度。研究结果表明：ＬＳＴＭ模型相比ＳＶＭ模型表现出了更高的预测精度，更适用于基坑沉降的预测问题，并可为施工现场提

供可靠的理论参考。

关键词：基坑沉降；预测；ＬＳＴＭ神经网络；ＳＶＭ

中图分类号：ＴＵ４６３文献标识码：Ａ１００９－６８２５（２０２３）１２－００９１－０４

文章编号：

０引言１机器学习模型理论基础

随着我国城市化和现代化发展，各种基础设施建设１．１支持向量机

的规模和数量不断增多，基坑开挖的广度和深度也逐渐支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ，简称ＳＶＭ）是

［１］［１１］

扩大。由于基坑开挖过程中会破坏周边土体的原状结Ｖａｐｎｉｋ在１９９５年提出的一种机器学习算法。ＳＶＭ运

［２］

构，势必会引起基坑附近的地面沉降和土体变形。基用非线性变换将数据样本映射到更高维的空间当中并用

坑沉降是影响基坑工程安全的重要因素之一，具有出现核函数替代高维空间的点积运算。支持向量机回归是基

范围广、破坏性大等特点，施工现场应该特别关注并及时于统计学理论和风险最小化原则提出的一种特殊的ＳＶＭ

预防。因此，在基坑开挖过程中对基坑沉降进行准确有［１２］

算法，适用于小样本和非线性样本数据的回归分析。

效的监测和预测不可或缺。ＳＶＭ通过划分最优超平面（ｆ（ｘ）＝ｗ×ｘ＋ｂ）来实现分类

目前，国内外学者对于基坑沉降进行了大量研究。［１３］

和回归任务。在训练过程当中，模型会不断改变参数

传统研究方法有经验公式法、理论法和数值模拟法，如王ｗ和ｂ的值，使得划分的最优超平面对于数据样本的几

［３］

卫东等收集大量上海地区深基坑沉降数据进行了统计何间隔最大化（分类问题）或所有样本点离超平面的总

［４］

分析，王翠等利用改进后的半经验半理论方法计算基偏差最小（回归问题）。