基于改进极限学习机模型的盾构掘进引发地表最大沉降预测

• 作者: 阮永芬 邱龙 乔文件 闫明 郭宇航
• 来源期刊: 水文地质工程地质
• 学科: 交通运输
• 关键词: 地表最大沉降 主成分分析 哈里斯鹰算法 极限学习机 沉降预测
• 年，卷（期）: 2024,（5）
• 所属期刊栏目: 工程地质与地质灾害
• 页码范围: 126-135
• 页数: 10页
• 语种: 中文
• DOI: 10.16030/j.cnki.issn.1000-3665.202210007

摘要

城市地铁盾构施工引发的地面过大变形会严重影响周边构筑物的正常使用，甚至引发工程事故。针对传统预测方法中的数据维度过大容易导致精度降低、计算复杂等问题，提出了一种基于主成分分析（principal component analysis,PCA）算法和哈里斯鹰优化（Harris Hawks optimization,HHO）算法的极限学习机（extreme learning machine,ELM）预测模型。在地质、几何及盾构参数中初选14个影响因子，利用PCA算法在14维数组中分离和提取5个主成分变量作为模型的输入，利用HHO优化ELM模型的输入层权值和隐含层阈值参数，得到预测模型的最优解。以昆明轨道交通五号线怡心桥站—广福路站隧道区间监测数据进行仿真验证，并将该模型与BP神经网络、RBF、未优化的ELM模型进行对比分析。结果表明：PCA-HHO-ELM预测模型的均方根误差为0.143 5、平均绝对误差为0.026 2、决定系数为0.959 6，相较于其他模型，该模型具有更优的预测性能；与未优化的ELM模型相比，HHO算法能够提高ELM模型的预测精度和泛化能力。PCA-HHO-ELM模型能可靠预测盾构诱发的地表最大沉降，可为类似变形预测提供一种更为可行的新思路。