文摘

地面变形在隧道工程是一个复杂的问题,需要仔细监测,以避免意外损失和人类的损失。准确预测地面沉降(GS)是一个至关重要的关心隧道问题,和适当的预测模型可以是一个重要工具对隧道设计师准确模拟地面沉降。本研究提出了相对较新的混合人工智能(AI)模型预测地面沉降的土压力平衡(EPB)隧道盾构掘进的曼谷MRTA项目。预测模型是各种自然框架,如差分进化(DE),粒子群优化(PSO)、遗传算法(GA)和蚁群优化(ACO)来优化自适应神经模糊推理系统(简称ANFIS)。获得准确、可靠的结果,建模过程,建立了基于四个不同的数据集场景包括(i)预处理和标准化(PPN),(2)预处理和nonnormalized (PPNN), (iii) non-preprocessed和规范化(NPN)和(iv) non-preprocessed nonnormalized (NPNN)数据集。结果表明,PPN数据集情况下显著影响预测模型精度的毁灭之路。在所有发达的混合模型,ANOFS-PSO模型取得了最好的预测性能。在定量方面,PPN-ANFIS-PSO模型达到最小均方根误差(RMSE)价值7.98和相关系数值(CC)为0.83。总的来说,获得的结果证实了探索混合人工智能模型的优越性的地面沉降预测模型的土压力平衡(EPB)隧道盾构掘进。

1。介绍

地下开挖工程的耐久性通常依赖于准确的岩体变形预测(1,2]。目前,隧道的建设在城市的位置用小建设正面临深度显著增加复杂的地质结构和增长的风险增加的外部加载条件建设(3]。然而,让步和施工延误的增加可能存在当这些条件不能承认在挖掘隧道。因此,防止项目延迟的隧道,一个重要的有效预测是必要的(4),特别是结构破坏和过度变形和结构破坏监测和预测的数据收集在隧道内。随后真正的和有用的行为是基于反馈信息(5]。无论增加经验和理论评估从使用几个施工技术,监测数据获得有针对性的和可靠的技术可用的预测仍然缺席6]。分析和实证技术不适合所有的地质情况,因为他们不能产生可靠的结果,但只有几个数字预测geo-mechanical应用简化和参数(4]。

尽管使用土压力平衡(EPB)盾牌多年来,实际支配shield-ground互动的机制尚未完全了解。EPB tunnelling-induced地面响应机制的理解是困难的,因为它需要一个可靠的测量地面变形场和EPB盾的操作记录。目前很少有研究EPB隧道,但就是有显著增加使用EPB近年来隧道技术;特别是在城市环境中,有必要对工程师更好的理解EPB隧道的机制,它的参数如何影响地面变形。这将有助于减少这种机制的不利影响周围。

一些隧道岩体工程力学属性的困扰着失败和机制,这意味着工程师既不容易也不准确预测由于缺乏清晰程度的岩体支持交互,岩体的非均质性,之前和岩土环境建设。许多年前,一些主要的研究集中在规律和岩体变形和地面清算机制根据原位测试数据收集从过去项目,积累经验,发现隧道的耐久性。

有三种方法,包括人工智能和分析和数值方法,可以利用在练习来评估隧道变形。分析技术进行饱和的浅层隧道地面根据(7),他们用两种排水条件和不完整的排水地面线路接口。获得的结果表明,该解决方案是缩小到地面变形很小。周和Bobet828]利用隧道在确定的预测分析方法在浅层隧道饱和。基于这个结果,从实际观察和预测隧道之间的区别显示约15%好协议。其他不同的研究使用的分析方法(9- - - - - -11]。

几种人工智能技术已经开发,以解决与岩石和岩土工程相关的挑战12,13]。Sou-Sen和Hsien-Chuang14)使用了一个人工神经网络(ANN)建立回归模型的预测地面沉降的影响通过强烈的挖掘。他们使用情况数据,从刚刚结束的深基坑工程在台湾开发模型。这些结果表明,ANN-based预测模型可以理由预测最大的位置和大小通过深基坑地表沉降的影响。一个et al。15建议一个进化神经网络(新奥集团)模型来模拟地面沉降。模型是根据开发机制,使网络结构的每个部分,如学习参数和几个隐藏的节点,通过遗传算法可以开发。这些结果显示出更好的成就对地面沉降的预测。Neaupane和Adhikari16)建立了ANN模型预测在整个隧道地面运动。上述预测表面沉降水平地面运动和隧道可以由于隧道施工通过输入参数的援助会导致直接的物理意义。这些结果表明ANN模型取得积极成果的能力和相当成功地预测所需的目标。程等。17)开发了一个进化模糊neuro-inference系统(EFNIS)在促进岩土工程专家决策。EFNIM由三个独立的人工智能技术,如遗传算法(GA)、神经网络(NN)和模糊逻辑(FL)。两个案例研究被认为是,估计槽壁时间,包括挡土墙施工工艺的选择和评估槽壁持续时间。结果表明,EFNIS岩土挑战的能力增加了其他经典的人工智能模型当比较两个引用。桑托斯和Celestino18)确认功能的ANN模型分析隧道结算工具。本研究集中在解决以上shotcrete-supported隧道在西扩展第三纪沉积物中发掘利用顺序开挖技术。研究表明,ANN模型预测准确。李和Akutagawa [19]报道了ANN方法作为一种快速位移预测利用NATM隧道现场测量的结果。他们收集的数据NATM隧道建立在粗糙的地面和分析基于隧道主要参数,包括隧道位移、支持条件和几何中发现的结构。结果提出ANN模型可以预测隧道变形在施工前的最后阶段合理的水平增加一些信息的准确性。姚明et al。(20.]报道multistep-ahead预测模型根据隧道周围岩石的SVM模型位移预测。他们用打乱复杂进化算法(SCEUA)通过一些指数转换提高SVM的训练能力。结果表明,SVM比经典的安和表明,支持向量机可以是一个有效和可行的多步技术的隧道周围岩石位移预测。Pourtaghi和Lotfollahi-Yaghin21]介绍的方法是基于安之间的组合预测模型和小波理论的最大由于隧道地表沉降。仿真结果显示减少估计误差值代表的能力增加活动近似能力,所以表现出突出的学习能力比其他激活活动。王等人。22)利用一个简单的关联向量机与wsRVM模块tunnelling-induced地面沉降。几个条件影响结算的检查,如盾牌作战,地质、几何参数。结果表明,预测模型作品完美的扩展预测可以给平均预测的不确定性。Khamesi et al。23)提出了一个数值分析,帝国主义竞争算法,智能分析技术结合模糊系统来提高智能分析在隧道的能力。结果表明,PSO达到最佳的参数调优性能在ICA表现出极大的世界搜索能力设计模糊系统,模糊系统被视为等于给定的输入与输出进行全球分析可行的在一个大空间,将这些方法应用到额外的工程难题。Ahangari et al。24)使用新的智能技术在预测地铁解决取决于基因表达式编程(GEP),简称ANFIS模型在沉降预测。他们从53隧道在世界各地获得数据,四十数据集被用于智能建模,而十三数据被用来评估其作用。他们推断,这两个智能技术是通过预测地铁定居点。Hasanipanah et al。25)透露,混合ANN-PSO可以用于预测最大的隧道引起地表沉降。模型是基于143年开发的数据集。结果表明,建议PSO-ANN模型可以预测最大表面定居点生产水平的增加精度相比,安的结果。

简称ANFIS模型建模解决问题的潜力已经被记载在文献[26]。结果显示一个乐观的使用能力的简称ANFIS模型研究的趋势。然而,有一些问题与简称ANFIS模型和这些相关的调优参数的隶属函数27]。这个问题与模型的学习过程,在第一时间影响预测精度。事实上,人工智能模型主观hyperparameters调优(28]。计算机帮助应用程序的新时代先进的人工智能的探索杂交模型与各种自然灵感如蚁群优化算法(ACO),粒子群优化(PSO)、遗传算法(GA)和差分进化(DE)29日- - - - - -32),可以用来训练人工智能模型和改善他们的表现在处理高维、非线性问题。介绍了优化算法优化已经证明他们的能力(简称ANFIS建模不同预测模型问题33- - - - - -38]。简称ANFIS模型的杂交与自然启发预测优化算法表现出显著的改善过程的几个工程应用[39- - - - - -43]。因此,杂交的主要目标是实现一个稳定和可靠的学习过程44- - - - - -46]。

这项工作是由需要研究相对较新的基于混合模型的可行性简称ANFIS模型有四个不同的杂交产品表面ACO算法,算法、GA和DE建模地面沉降的土压力平衡(EPB)隧道盾构掘进。获得准确、可靠的性能、可预测性的建模过程,建立了基于四个不同的数据集场景数据预处理和数据标准化。进行综合分析和评估的实现结果。有几个局限性认识和未来可能的研究报道。

2。地下隧道和数据描述

在当前的研究中,地下数据集用于建模开发属于曼谷地铁项目。该项目由二十公里双隧道的长度。整个项目开始有八个EPB盾。项目的地质特征是曹国伟成排成排三角洲平原与拓扑海平面上方约1 - 0.5米。在项目的挖掘,大量的表面沉降标记和数组“50米深度内安装测量地面沉降(见图1)。有几个因素影响地表沉降包括隧道的几何(隧道的深度和轴的距离),地质参数(例如,地下水位,地质皇冠,和隧道的转化)和盾牌操作参数(渗透,面对压力,俯仰角,尾部空隙灌浆充填,比例和尾部空白组压力)(47]。本研究认为13相关参数建立预测矩阵的混合预测模型。

3所示。方法概述

3.1。自适应神经模糊推理系统(简称ANFIS)

去噪(NF)设置方法代表了一个综合组成的软计算方法的神经网络模式识别直接环境和人类expert-dependent制造解决方案的模糊推理系统和差异化的解决方案在一个特殊的领域(48,49]。这些系统的性能决定处理和解释应该模仿人类专家(50]。此外,系统具有容错能力,确保系统不会负面影响在删除/修改任务。然而,软计算方法的适用性是蓄势待发的发展一个坚实的基础在世界各地的各个领域。自适应神经模糊推理系统(简称ANFIS)是作为人工智能的一个分支模型的开发机制的操作是基于Takagi-Sugeno模糊推理系统(51]。简称ANFIS神经网络和模糊逻辑的优点结合在一个单一的框架(52]。还配备了一个模糊推理系统,可以训练;因此,作为一个系统更好的效率相比,系统只有一个神经模糊系统。这项工作用不同的输入参数,只有一个输出f干扰系统。一阶Sugeno模糊规则模型(53)如下: ,f₂、…f_n,在那里n是最高的规则数量(54]: 在哪里一个₁——一个₂和B₁- B₂隶属度函数的多个输入包括吗x和y。图2介绍了主要的简称ANFIS模型结构。

简称ANFIS模型结构与多个规则,几个输入和一个输出,同一层中的节点执行相同的角色。的输出我^th在第一层节点被选中当输入隶属函数(MFs)包含在第一层和输入值提交到后续层(55,56]。广义贝尔函数必须有最好的非线性参数分类功能使用。在第一层,每个节点是方发起会员等级。输入参数转换成语言术语: 在这x=输入参数的节点我, =一个语言学术语,和MF的= 。

第一层的输出乘以第二层(通常称为成员层)来生成一个新的输出。每个节点在第二层被认为是一个固定节点的输出取决于输入值。的节点我在第三层的发射强度比率计算规则,与输出作为归一化权重(57]。推理规则的值输出提供第四层;前面的整体输入层结合在这一层将分类结果转化为最终的输出。简称ANFIS结构确定的应用学习算法。这个算法的功能提出通过信号仍在继续,直到第五层(去模糊化层)。

最小二乘估计是用于识别的参数。向后传递的错误率向后传播梯度下降期间,前提参数更新。简称ANFIS模型的隶属函数后来调整使用几个自然包括PSO优化算法的启发,GA,太阳辐射和DE优化算法,以确保最小预测误差。

3.2。粒子群优化(PSO)

进行PSO是一个计算框架由埃伯哈特和肯尼迪(581995年连续和不连续决策过程。它是基于物种的自然行为,如鱼类的教育寻找食物来源。是算法中,每个粒子在人群中被认为是一个潜在的解决方案,该算法被认为是人口基于搜索的方法。在一个活跃的搜索,发现每个粒子的最佳解决方案是不同的在一个多维空间,直到没有更多的计算需要解决的局限性。在PSO群优化过程中遇到的主要问题与位置相关联N粒子;这个职位是采用随机分配到群空间。群中的每个解决方案与一个位置,每个粒子在解空间是通过计算得分函数的值解释问题的状态。几项研究已经应用PSO在几个优化问题(59),人们已经发现,所有粒子发现全球最好的位置解空间,取得个人最好的位置。分配的新粒子的位置和速度更新以下规则(60]: 与 在哪里p和粒子的位置和方向,是当地的重量和是全球体重,和粒子和成群是最好的位置,分别和是一个随机值。PSO算法的操作在图中进行了描述3。

3.3。遗传算法(GA)

GA最初是由(61年作为一种先进的优化框架。作为一个人工智能的框架,它使用向量的1和0来表示复杂的结构。遗传算法是模仿自然遗传学的概念建立的优化函数比较两个不同的方法。的遗传算法有更好的能力建立全球巨大的组合问题的最优解,这是它的主要优势相比其他系统。因此,遗传算法通常用于多目标优化的任务。遗传算法的操作类似于自然进化的过程;它依赖于3个运营商的选择、交叉和变异。使用遗传算法优化的第一步涉及的评估选择的健身功能配置(称为染色体)。这一步还包括维持人口的解决方案。如果折合成年率系统评估染色体是低于成本的最低年度系统成本从先前的迭代中,这种染色体将被认为是最优的解决方案,这将减少迭代所需数量的问题。 Meanwhile, this optimum solution can also be exchanged with any better solution. Then, the crossover and mutation processes will be executed to select the best solution which will generate a new set of generations.

重复这个过程直到到达指定一个已经收敛水平。一些精确的参数用于表示遗传算法模型研究中;人口的规模,速度突变,交叉比例,选择压力(参考表1)。图3描述了该遗传算法的流程图。

3.4。恭敬的方程

德已经开发了一个智能优化任务的框架。其操作模拟的基本优化变异、交叉和选择运营商。德依靠NP和采用参数向量,因为它是一个平行的直接搜索法,并不影响最小化过程;因此,它被认为是在生成每一代人口过程G。德,随机选择一个初始种群向量覆盖所有参数空间;所有的随机选择被分配一个统一的概率分布。DE生成新的参数向量基于可用的初步解决方案通过生成重量2人口向量和3的区别^{理查德·道金斯}通过变异向量操作如下: 在哪里 = 1,2,3,…,NP向量生成的变异使用 和 ,和是任意选择的数字∈(1、2、3、…)…NP。注意,NP必须有这些值,我和F实际,只有不同于彼此∈(1、2、3、…)…NP。建立了试验向量通过混合过程(交叉操作),涉及混合突变的参数向量与其他预定的参数向量如下: 在哪里拖车向量和吗是目标向量;代表了J^th均匀随机评价 是一个随机值指数 ,和CR用户指定交叉常数。最后,出成本最低的试验向量函数值相比,使用目标向量选择操作期间作为目标价值在随后的一代。是每个人都必须作为目标向量,NP任务视为一代过程。的一项研究[62年)提供了一个深入的描述标准的德。表1介绍了提出DE模型的结构,而其流程图如图3。

3.5。蚁群优化(ACO)

算法提出了二十年前的民宿(63年),但其发展以来经历了几次修改。ACO算法有一个广泛的应用程序由于其能力来解决静态和动态问题。Stignergy self-organization-enabling流程,协调众多活动蚁群;这些活动包括食品狩猎,劳动力分区,育排序和蚁群的合作运输。蚁群,包含简单的个人;然而,它是一个复杂但有序的结构,所有活动由stignergy协调。化学沉积物被称为信息素沉积的主要蚂蚁追随者小道而寻求最短的路线的食物来源。路径依赖等过程建立解决方案空间的最优位置。蚂蚁在一个向前和向后移动模式和采用步进式决策方法在发现任何问题的最优解48- - - - - -50]。图3显示了算法的流程图。

3.6。建模的开发计划

开发混合动力和独立的简称ANFIS模型(ANFIS-PSO, ANFIS-DE, ANFIS-ACO ANFIS-GA,简称ANFIS)建立了基于几个geo-technical信息。信息被用来预测数值参数来初始化矩阵。图4介绍了当前研究中使用输入/输出参数。数据集共有49 non-preprocessed的观察和数据集,数据分区为训练和测试目的,65%和35%。预处理数据,建模与38观察执行基于数据分区比例的63% - -35%。几个统计措施,情节和错误水平地面实验和预测之间的清算报告在测试阶段。预测过程是基于几个场景进行相关数据处理包括(i)预处理和标准化(PPN)数据集,(ii)预处理和nonnormalized (PPNN)数据集,(iii) non-preprocessed和规范化(NPN)数据集,和(四)non-preprocessed nonnormalized (NPNN)数据集”,总20建模调查模型1模式20。“所有发达的统计性能预测模型被发表在表2- - - - - -5,分别。

3.7。建模性能指标

一些统计指标计算评估提出的预测模型的预测性能包括平均绝对误差(MAE)、均方根误差(RMSE),罗马教皇的使节和McCabe指数(LMI), PBIAS,威尔默特指数(WI),相关系数(CC)和相对均方根误差(推定);这些指标计算,因此64年- - - - - -68年] 在哪里和实验和模拟地面定居点,和他们的平均值,是样本容量。

提出了预测模型中,优越的模式可能会有所不同不同的性能指标。这个弱点可以解决使用一个名为意味着性能的新指数(MP)的集成所有指标。每个预测模型计算的像素值,有必要将指标转换为标准形式的范围(0 1)如下方程(69年]: 在哪里 , , , , ,和的使用性能矩阵的标准化值吗混合简称ANFIS模型(模型), , , , , ,和所有预测模型是指数的最大值 , , , , ,和是最低的。

然后,议员度量的数学模型(混合简称ANFIS)可以表示如下(70年]:

从方程(9)很明显,每个模型的像素值的平均值标准化性能指标在[0,1]的范围。然而,议员的高级模型具有最高的价值相对于其他的人。

4所示。应用程序的结果和分析

本研究开始研究使用不同变体的混合简称ANFIS模型的可行性的预测沉降在土壤的大小。在自然界中,土壤结构行为是受几个形态和外部结构荷载等参数。然而,主要关心的是量化的可能的解决可以经历维护构建可持续性和安全性。土壤通常表现为非平稳的变化和非线性模式成分及其属性。经验公式不够强壮的模拟土壤沉降和其他相关参数之间的关系;因此,强大的和可靠的预测工具的使用独立的影响参数的确定提出了相关参数在这项研究。事实上,这些可靠的预测模型可以为地球科学实用的实现。

4.1。统计评估开发的混合动力车型

基于表中的结果2(PPN场景),最好的预测性能达到以最少的RMSE ANFIS-PSO和梅值(7.99和6.22)和最大CC和WI值(0.83和0.82)。表3揭示了第二个场景建模的建模结果(PPNN)。根据报告结果表3,准确的预测过程是通过使用相同的混合模型为第一个场景(即开发。ANFIS-PSO)。7 indiacted最小均方根误差模型8.78美6.6,而CC0.80和WI0.78。表4报告第三建模场景数据集是non-preprocessed和规范化。微分进化优化器简称ANFIS模型的杂交获得最好的可预测性和计算统计指标(RMSE性能8.99美7.44,LMI0.17、CC0.49 WI0.59,SRMSE33.7)。最后场景建模的结果列在下表中5。最好的预测结果使用ANFIS-PSO模型和统计性能指标(RMSE10.07美8.11,LMI0.09、CC0.38 WI0.63,SRMSE37.73)。一般来说,的方差预测成果的基础上,开发了古典和混合简称ANFIS模型可以解释为使用不同的学习过程,和人工智能模型可以实现在训练和测试建模阶段。

简称ANFIS模型与产品表面优化算法的杂交产生的最大鲁棒预测结果精度调优的隶属函数。在定量解释和最好的输入组合,这些表显示最优使用所有的应用预测模型预测的可能性。基于表中的结果6,最小的RMSE度量是通过使用PPN-ANFIS-PSO (RMSE7.99)PPNNANFIS-PSO (RMSE紧随其后8.78),NPN-ANFIS-DE (RMSE)8.99),和NPNN-ANFIS-PSO (RMSE10.07)。

4.2。建模评估基于图形演示

拟议的和解量化预测模型进行使用一些图形可视化包括意味着性能指标(MP)、散点图、箱线图,泰勒图。图5演示了所有的议员部署预测模型的计算性能的措施和对测试的所有检查场景建模阶段。数据5(一个)- - - - - -5 (d)显示类似的预测性能观测使用的统计指标列在下表中2- - - - - -5。1 ANFIS-PSO是最好的预测模型^圣,2^nd和4^th建模场景以最大议员= 1.0,而ANFIS-DE完成最好的预测结果3^{理查德·道金斯}建模场景non-preprocessed和规范化与议员(NPN)数据集0.99。由于不同的预测表现为图5,最好的预测模型进行抽象和验证应用建模场景(图6)。基于图的可视化6,各种建模可预测性的变化是可以避免的。图6证明1的可行性^圣建模场景使最好的结果使用的潜力与MP = 1 ANFIS-PSO模型。这显然是呈现PSO优化算法集成的潜力与独立简称ANFIS为结算提供健壮和可靠的预测模型预测。最糟糕的模型是公认的non-preprocessed和nonnormalized数据集场景以最小的MP使用ANFIS-PSO = 0.03。

最佳应用的行为预测模型在图绘制散点图的形式7。散点图显示方差实验值和预测值之间的和解。最好的预测模型是确定从安装线周围的方差和相关系数大小。图7表明,预处理和标准化的场景使用ANFIS-PSO模型达到最适合按照确定系数量表(R²= 0.69),而最糟糕的观察指标为4^th场景(R²使用ANFIS-PSO模型= 0.14)。根据报道确定系数,模型表现略少相关。然而,这显然是表明高模拟表面的特性转化解决由于大量的相关参数。

的箱线图计算应用预测模型显示在图中8。扩散的程度的预测数据和四分位25岁,50岁,75年,四分位范围(差)。大小的基础上(Q25%)越低,中位数(Q50%)和上层(Q75%)四分位数,ANFIS-PSO PPN场景表现优于其他古典和混合简称ANFIS模型。基于各种统计指标和图形表示,拟议中的混合data-intelligence模型预测沉降大小是一个很好的工具。

二维图形的可视化检查泰勒图最好的预测模型(ANFIS-PSO)所示的数据9(一)和9(b)(分别处理和nonprocessed数据集)。统计的图总结了实际和预测的性能测试的相关系数,RMSE和标准差。泰勒曲线的图形视图观测值和预测值之间的相似性。结果表明ANFIS-PSO使用PPN场景协调最近的观察到的实验测试。为nonprocessed数据集,ANFIS-DE表示最近的协调来观察到的实验测试。

4.3。讨论和未来可能的研究方向

根据图5,据透露,预处理数据通过消除多余的实验测试和扩展(0 - 1)之间的数据归一化数据集的学习过程可以提高应用混合预测模型。这可以解释由于排斥模糊属性提供的预测矩阵。因此,它并非总是如此提供更多信息属性适合数据精度高。相反,构建混合预测模型基于正常的数据信息可以提供学习过程不足导致不准确的预测结果。人工智能模型已经被广泛的应用进行一些工程问题和geo-technical是杰出的研究范围有经验的AI的影响。因此,更加健壮和可靠的人工智能模型的开发是基于新先进版本的动机工程师、设计师和科学家。提出的混合ANFIS-PSO模型提供了一个高效、灵活的方法计算地面沉降相比古典AI独立的模型。此外,目前的研究引入了一个新技术的融合,消除边界之间的数字和工程领域。小说的人工智能模型的突破,如拟议中的一个,正在改变工程问题的解决方式。因此,提出混合简称ANFIS工具和其他智能模型可以用于未来的自动和半自动的设计流程。

在这项研究中,几个混合简称ANFIS模型是预测地面沉降的土压力平衡(EPB)隧道盾构掘进。模型建立了基于各种建模数据预处理方案。按照达到预测性能,混合简称ANFIS模型演示了一个可以接受的潜力预测精度使用预处理和标准化的数据集。然而,预测能力是不同的从一个混合模型到另一个,这无疑证明建模不确定性的存在,也就是说,当前研究的一个主要限制。数据集的影响,另一个原因跨度的预测性能。此外,简称ANFIS模型的一个主要的限制是,当大量的投入应用,造成维数问题和计算费用。因此,优化器是需要减少这些问题。相反,那些metaheuristic算法也有自己的局限性,比如DE算法稳定收敛GA和时间消耗,而PSO患有偏乐观。总的来说,是不可能说有一个metaheuristic方法与其他方法在所有可能的离散函数。基于建模的局限性,因此,未来可能的研究可以进一步研究如下:(i)检查相关的不确定性,建模不确定性或输入参数的不确定性; (ii) extending the span of the modeled dataset with other related studies from the literature to give more informative details of the input attributes; and (iii) the data modeling division, various data division percentages can be examined for better learning process of the established models; (iv) the achieved modeling results accuracy level can be further improved by using several other nature-inspired algorithms such as nomadic algorithm [71年),均衡算法(72年],算术算法[73年),和黑色窗口算法(74年]。

5。结论

几个副作用在隧道开挖和启动,地面沉降的基本过程进行测量和监控,以避免任何意外的破坏和人类的损失。一般来说,地面沉降是一个复杂的问题,有几个geo-technical参数影响土壤变形。准确和可靠的地面沉降预测隧道项目是非常重要的管理和维护,因此足够的智能预测模型有助于设计隧道的基本知识。当前研究是专门的评估相对较新的混合智能模型预测EPB盾构隧道的地面沉降。从收集的数据建立了隧道工程的名义在泰国曼谷MRTA项目。开发混合动力和独立(即简称ANFIS模型。,一个NFIS-PSO, ANFIS-DE, ANFIS-ACO, ANFIS-GA, and ANFIS) were constructed based on several related parameters to predict the GS. For the purpose of obtaining accurate and reliable investigation, the modeling procedure was conducted based on four different dataset scenarios including (i) preprocessed and normalized (PPN), (ii) preprocessed and nonnormalized (PPNN), (iii) non-preprocessed and normalized (NPN), and (iv) non-preprocessed and nonnormalized (NPNN). Modelling results revealed the superiority of the first modeling scenario that preprocessed and normalized dataset were incorporated. PPN dataset scenario demonstrated a significant impact on the perdition accuracy of the proposed models. In addition, among all the applied models, the hybrid ANFIS-PSO model accomplished the best predictability performance. The PPN-ANFIS-PSO model achieved minimum (RMSE = 7.98) and maximum (CC = 0.83).

数据可用性

数据用于这项研究将根据要求提供。

的利益冲突

作者宣称没有利益冲突。