典型文献
基于LSTM网络的地铁隧道运营期间沉降预测研究
文献摘要：
为提高地铁隧道运营期间沉降变形预测的精度,本文提出了采用长短期记忆网络(LSTM网络)对运营期间的地铁隧道进行沉降预测.通过利用传统的反向神经网络(BP神经网络)和LSTM神经网络建立机器学习模型,通过2组深圳市某地铁隧道实测数据,对机器学习模型的预测精确度进行对比分析.实验结果表明:相比于传统的BP神经网络,LSTM网络模型预测误差较低,可降低20％左右;LSTM网络的预测结果与实测沉降值更为接近.研究成果表明将循环神经网络之一的LSTM网络引入运营期间地铁隧道的沉降预测中,可大幅度提升预测效果.
文献关键词：
循环神经网络;长短期记忆网络;地铁隧道;沉降预测
中图分类号：
作者姓名：
林菲菲
作者机构：
广东省建筑设计研究院有限公司 广州510010
文献出处：
引用格式：
[1]林菲菲-.基于LSTM网络的地铁隧道运营期间沉降预测研究)[J].广东土木与建筑,2022(10):45-48
A类：
B类：
地铁隧道,隧道运营,运营期间,沉降预测,预测研究,沉降变形预测,长短期记忆网络,反向神经网络,机器学习模型,预测精确度,预测误差,实测沉降,沉降值,循环神经网络
AB值：
0.201523
相似文献
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。
