论文
崔靖奇, 吴顺川, 程海勇, 王涛, 姜关照, 浦仕江, 任子健
围岩位移监测值具有复杂性和非线性动态变化特征, 且以往优化算法结合单一回归模型的静态一次学习无法表现真实场景下的实际应用, 而自相关性使围岩位移预测作为时序问题更具现实意义, 但单一模型的泛化性能易受历史监测数据的干扰, 导致测试应用预测不准确。 该文提出一种结合监测时序数据预处理的围岩位移时序动态预测方法, 首先, 将截取后的稳定监测数据利用3次样条插值等距化, 并通过变分模态分解(variational mode decomposition, VMD)信号处理, 将监测数据分解为趋势项与随机项位移分量; 其次, Adaboost集成多个长短期记忆神经网络(long short-term memory network, LSTM)构建时序预测集成优化模型, 并在一次训练学习后单步动态预测; 再次, 分别对滇中引水工程段围岩位移分量进行预测, 并与传统时序预测模型进行对比; 最后, 通过FLAC 3D数值模拟工程段得到围岩位移时序完整数据, 验证集成优化模型的应用表现。 结果表明: 集成优化模型在各分量与累计位移均有良好表现, 且与传统模型相比, 受变形速率波动影响较小。