典型文献
使用TimeGAN和LSTM神经网络预测隧道开挖引起的建筑物沉降
文献摘要：
隧道开挖可能引起施工场所附近建筑物的沉降,进而导致建筑物破坏.考虑到建筑物沉降的传统预测模型难以处理复杂非线性数据的问题,以宁波地铁5号线同德路站—石碶站区间监测数据为例,使用时间序列对抗神经网络(TimeGAN)对原始监测数据进行扩增,建立了基于长短期记忆神经网络(LSTM)深度学习网络的建筑物沉降预测模型,分析了原始监测数据扩增前后建筑物沉降预测模型的预测结果.结果表明:TimeGAN新生成的数据与原始建筑物沉降数据重叠性较好;新生成建筑物沉降数据的判别分数(Discriminative Score)、预测分数(Predictive Score)分别为0.1759和0.0412;新生成数据与原始数据相似程度较高、较好的保留了原始数据的预测特性;与原始数据相比,使用新生成数据进行建筑物沉降预测,LSTM网络预测结果的准确率提高了23％;TimeGAN-LSTM网络预测结果的准确率达到了80％、预测值与监测值吻合性较好.研究成果对隧道开挖的正常施工具有一定的参考价值.
文献关键词：
隧道开挖;建筑物沉降;预测;长短期记忆神经网络;时间序列对抗神经网络
中图分类号：
作者姓名：
陈雪峰
作者机构：
宁波市建设工程安全质量管理服务总站,浙江 宁波 315046
文献出处：
引用格式：
[1]陈雪峰-.使用TimeGAN和LSTM神经网络预测隧道开挖引起的建筑物沉降)[J].华南地震,2022(03):107-115
A类：
时间序列对抗神经网络
B类：
TimeGAN,神经网络预测,隧道开挖,建筑物沉降,施工场所,所附,传统预测模型,同德,站区,使用时间,长短期记忆神经网络,深度学习网络,沉降预测模型,数据扩增,始建,沉降数据,Discriminative,Score,Predictive,原始数据,相似程度,吻合性
AB值：
0.218367
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
