文摘
深基坑是一门有着悠久历史,但它有新的学科;在本文中,首先,LSTM的建模方法和过程(长短期记忆)详细讨论了网络,然后使用的优化算法模型中描述的细节,和最初的学习速率等参数选择方法,激活函数和迭代数相关LSTM详细介绍了网络训练。LSTM网络是用于处理深基坑的变形数据,和随机梯度下降法,动量,Nesterov, RMSProp, AdaGmd,亚当选择算法在相同的示例建模预测和比较。桩的水平位移预测和垂直的两个例子列在深基坑位移预测表明,LSTM网络模型建立了不同的优化算法有不同的预测精度,和LSTM亚当优化算法建立的网络模型精度最高,这证明了优化算法的选择起着重要的作用在LSTM也验证的可行性LSTM网络的数据处理和预测深基坑变形。
1。介绍
随着人类社会的进步,国民经济的快速发展,我国城市化进程的加速,城市可用土地是大幅减少。因此,城市地区更加重视地下空间的开发和使用。出现了大量的地下工程,地下基础等高层建筑,地铁站,隧道和地下仓库。大多数这些地下工程采用开挖工程结构简单和低成本的方法,而这些地下工程通常是挖掘超过6米的施工过程,所以越来越多的深基坑项目出现。深基坑是一门有着悠久历史,但有新的学科,它历史悠久,由于人类探索的深基坑有很长一段时间,说小说,因为它本身是非常值得深入研究的话题,而且,在这个阶段在深基坑开挖深度的加深,仍将在开挖的过程中提出了许多新问题。值得探索和解决。
近年来,深基坑的数量增加,越来越深。此外,大多数深基坑位于城市的市区,影响因素复杂。因此,深基坑施工的难度大大增加,和由此引发的问题非常突出。深基坑事故时有发生,这不仅带来巨大威胁到人们的财产和生命安全,但也会增加施工时间和成本(1]。
通常有一个缓慢和长期变形阶段之前深基坑的崩溃,所以相应的监视点应设置根据不同结构的深基坑的变形特征。采用深基坑工程设计的安全阈值,根据设定的阈值,根据历史数据的监控,实现迁移和沉降变形监测区域的实时监控,以及后续处理的监控数据,结构深基坑的变形分析,采用合理的预测模型对深基坑变形规律。基于这些,后期变形值和深基坑工程的变形趋势可以预测准确。当深基坑的形状变量超过允许范围的变形,应采用合理的保护计划,如加强保护和设置排水设施,以最大限度地减少事故造成的人员伤亡和经济损失的深基坑。
目前,常用的变形预测的方法主要包括回归分析、灰色理论、序列分析和神经网络2]。至于这些单一的预测模型,有一定的局限性。例如,回归分析是一种静态的数据处理方法,而深基坑监测数据是动态的数据,所以回归分析有很大的局限性。灰色理论有一个高要求的数据,这就需要数据成倍增加或单调,但大多数深基坑的变形数据是复杂的非线性和不单调。在神经网络中,应用最广泛的BP神经网络,但是BP神经网络是很大程度上受初始值影响,容易产生局部极值问题。其他方法也适用性较低,难以用于深基坑变形的预测。
此外,深基坑的施工过程是一个土卸载的过程,这是受到各种外力的影响,模糊和复杂,深基坑工程也受到各种不确定因素的影响。在这种情况下,很难构建一个适当的模型对深基坑变形预测,这还没有得到很好的解决。因此,它是一种有效的方法来构建一个动态预测模型和预测的总体变化趋势和变形特征形状变异,探索内部监测的时间序列数据点之间的关系。
近年来,随着深度学习的快速发展,创造了机会,构建高精度深基坑动态预测模型,增加了对深基坑的变形预测的有效手段。深度学习模式3)是一种深层神经网络组成的各种非线性映射层,从而获得输入数据的特点,一层一层地和获得其深刻的内部特征。在许多深度学习模型,LSTM网络(4)在连续的数据处理有很大优势,可以从先后相关数据中提取动态特性。它已经被应用于许多领域,如机器翻译(5)、信息检索(6),图像处理7),文字识别(8],智能问答[9),语音识别(10),和数据预测(11- - - - - -13,取得了大量的研究成果。然而,通过广泛的文献回顾,发现LSTM网络很少研究领域的变形预测和尚未应用于深基坑变形的预测。本文通过研究LSTM理论的特征,它是发现LSTM网络自主学习的能力,适应性,和高效的内存,高度非线性时间序列数据具有更好的拟合能力,并能使短期和长期预测,可以使深基坑变形的预测精度高,使科学和深基坑工程的安全保护,具有理论和实践意义。本文主要研究了变形监测和预测在深基坑的施工过程。本文通过分析变形从施工现场监控和获取的数据指的是最终的预测结果,我们可以有效地提供早期预警的相关风险,及时采取相应的措施来避免风险,以保证整个施工过程的稳定和秩序。
1.1。深基坑变形预测的相关工作
基坑工程在国外早期开始。早在18世纪中叶,大规模建设铁路、港口、港口开始在国外,基坑工程的研究开始了。在1940年代,Terzaghi [14]提出理论土力学和写了一本书来奠定基础深基坑工程的理论;克劳夫et al。15)应用基坑的实测数据统计分析其内部支持墙;Ou (16]和Finno [17]分析了基坑施工对周边建筑物的影响在不同的土壤(结构)。在1960年代,派克(18]提出基坑地表沉降的估算规则通过示例验证,一直使用到目前为止;Bjerrum et al。19)相关仪器适用于软土基坑的监测在墨西哥。直到1980年代,国外研究基坑开始变得更加准确和详细。克劳夫和O’rourke20.,21)着重分析之间的关系墙抵消的基坑,基坑的深度,地面沉降,和支承结构的刚度;Mayoraz [22和吴23)神经网络用于预测基坑的水平位移和变形边坡挡土墙,分别;曼(24]给出的最大位移之间的关系的内壁基坑和antiuplift稳定系数结果显示11基坑的例子;刘等人。25]添加针对摩尔-库仑和剑桥模型改进成FLAC-3D软件来模拟基坑开挖引起的地表变形和预测基坑的影响范围;Sepehri et al。26)建立了一个三维有限元模型来预测基坑的表面变形数据;安东尼(27)提出了一个简化的方法来评估基本隆起轴向对称支持基坑的安全系数在粘土。对深基坑的研究在国外已经经历了200多年,和研究结果是连续的。
1.2。LSTM的研究现状
标准的前馈神经网络没有能力来分析和预测时间序列数据。它只是用来处理当前的时间序列数据,及其历史信息不能用于后续处理。递归神经网络(RNN)的出现28,29日弥补了这个缺陷。RNN的框架,提出了在1980年代,RNN的最大区别和前馈神经网络的隐层RNN连接按时间顺序;即通过隐藏层序列特性可以存储和应用后序列输出操作。尽管RNN可以存储和使用历史数据功能,不能使用任何时间长度的信息,因为随着时间序列的增加规模,RNN将培训过程(如梯度消失的问题30.],它减缓了训练速度,使网络很难收敛,并不能获得最优解,这限制了RNN的推广应用。要解决这些问题,学者们也提出了一些解决方案,例如添加模拟退火方法RNN培训(31日)或使用分层压缩方法对时间序列数据32]。这些方法并没有有效应对RNN梯度的消失,直到LSTM网络出现了。LSTM网络提出了1997年的由Hochreiter。施密德胡贝尔表示。实验表明,LSTM网络可以有效地避免梯度的消失,这解决了RNN的问题。
总之,建立基于LSTM网络模型的预测精度优于传统的预测方法。连续应用程序和网络结构调整后,模型广泛应用于许多领域,取得了很多成就。然而,LSTM网络很少用于测绘相关领域,几乎没有研究数据处理和深基坑变形的预测。因此,LSTM网络引入领域的深基坑变形预测的有效的处理能力和良好的泛化能力在各种非线性时间序列数据,以过程和分析深基坑变形的高度非线性时间序列的数据。然而,经验可以证明LSTM网络的建模过程涉及到一些参数的选择,从而影响网络的训练效果,和LSTM网络定时数据有一定的要求。因此,LSTM网络的参数选择和模型结构深基坑变形预测本文着重分析,这增加了深基坑变形预测的新方法,有助于扩大应用领域的深度学习变形预测。
2。LSTM网络方程
LSTM网络的训练过程是RNN的一样,包括正向传播和误差反向传播。LSTM网络纠错过程应用反向传播通过时间(BPTT) [33)算法,它是基于结果的计算输出层和错误的损失函数随着时间的推移和按照梯度下降方法逆向校准每个神经元的权重,和执行过程比RNN的更加复杂。
每个LSTM内存模块的操作是一样的。这一次,只有一个内存模块作为一个例子。在推导LSTM网络方程之前,每个变量定义的网络。神经元之间的连接的重量吗和神经元 ,某神经元的输入结果在时间表示为 ,和神经元的激活函数是表示 。输入门,忘记门,门用下标表示输出l, ,和 ,和内存单元配备下标 。 代表内存单元的状态值在时间 。门结构的激活函数表示 ,和和是先后表示为输入和输出神经元的激活函数。
代表输入节点的数量,代表输出节点的数量,代表了隐层节点的数量。应该注意的是,只有隐层单元的输出可以与其他内存模块,而其余LSTM网络激活功能,如细胞状态,网络节点输入,和乘法门激活函数,只能有效LSTM内存模块。LSTM网络标准的隐藏单元,该指数是指在隐藏层单元输出的内存结构(普通神经元可以混合LSTM存储结构在相同的隐藏层如果必要的话)。类似于标准RNN LSTM网络的正向传递过程与时间步长计算的输入序列 。从最初的时刻 这个时期的时间逐渐增加,不断更新,直到操作方程 ,和相应的输出结果。从LSTM的反向传播网络 ,和BPTT算法用于计算递归神经元导数。与此同时,时间减少 。最终重量导数可以通过总结每个时间步上的衍生品,如所示
的公式,的损失函数LSTM网络训练过程。损失函数是用来衡量整个网络在训练的损失,和网络培训是根据损失函数的结果。
向前和向后的顺序计算公式LSTM网络很重要,必须遵循如下。与标准RNN一样,国家和所有神经元的激活函数等价物 设置为0,和导数是什么的权重 也是0。
2.1。向前突出
输入门:
忘记门:
存储单元:
输出门:
单元输出:
2.2。反向计算
假设
单元输出:
输出门:
目前状况:
存储单元:
忘记门:
输入门:
本章首先介绍了相关的理论RNN, RNN的优点和缺点,以及如何LSTM从RNN网络改进,然后详细介绍了LSTM网络的结构,最后推导出详细培训LSTM网络方程。
3所示。建设基于LSTM深基坑变形预测模型
3.1。LSTM网络建模原理和流程
深基坑变形的预测过程是一个动态的过程,它需要不断更新测量数据预测实时深基坑的变形。LSTM网络培训的优点是模型能得救后LSTM网络预测模型的训练。再次使用模型时,新添加的数据不会影响整体的训练模型,可有效降低模型的训练时间,然后动态地预测深基坑的变形。深基坑开挖是一个巨大的系统工程;变形随时间变化、外部条件和其他因素。深基坑的监测价值是一系列时间数据,受外部环境和其他因素的影响。单一监测值是模糊和随机,但整个时间序列数据具有一定的规律性。通过对时间序列数据的分析,深基坑的变形趋势和某些规律性。LSTM网络主要用于建模分析和预测的时间序列数据,和LSTM网络可以建立multi-to-multiple模型结构与时差根据实际需求,满足基本要求的深基坑变形的预测。通常,从早期监测获得的时间序列数据用于构造网络训练样本预测中间的变形和晚期。
LSTM网络的关键在于内存模块的选择。一般来说,一个记忆单元对应一个隐藏层。输入序列数据需要分段,每个序列中的数据需要对应的内存单元。
首先,预处理数据传输网络的输入层,和分段时间数据 (是序列长度,它是由分割尺度)的输入LSTM内存单元在不同的时间序列,LSTM后内存单元(隐层)一层一层地转移和提取信息,它传播到网络输出层。输出层添加了连接层(FC)和辍学34](在第4章介绍),分别用于模型回归和防止过拟合的训练。最后,时间数据 是输出。
深基坑变形的预测过程可以看到基于LSTM LSTM网络模型的介绍深基坑变形的预测过程分为三个部分:深基坑监测数据的采集和数据预处理,LSTM网络模型训练,并直接获得使用训练模型参数的预测价值。主要的过程如下。
3.1.1。数据采集和预处理
摘要地铁深基坑的变形监测数据在武汉,这是观察到的数据相关的仪器在深基坑的施工周期。根据变形数据采集频率变化情况。在深基坑开挖的早期阶段,监测频率是每隔3天。随着深基坑的深度的加深,监测频率开始适应每隔2天。深基坑支护结构的土卸荷和其他结构发生了巨大的变化,监测频率设置为每天一次。获得的监测数据不能直接用于预测,因此有必要进行异常测试和消除(监测样本的数量设置为 ,和PauTa规则应该被选中)。应该使用Chauve净标准。格拉布规则是合适的。LSTM网络是用来预测点对点的时间序列数据,所以数据异常值处理后应该插入。插值方法包括线性插值、牛顿插值、三次样条插值。深基坑的监测数据列是高度非线性由于许多不确定因素的影响,所以线性插值方法不适合他们。三次样条插值是一个相对简单的插值方法,可以反映了深基坑变形监测数据的非线性特征。三次样条插值具有良好的平滑效果和快速实施和监测数据插值是一种常见的方法。插入数据构造成时间序列数据分为训练集和测试集。
3.1.2。LSTM网络培训
与其他神经网络一样,LSTM网络也需要规范化训练集,和规范化数据有利于网络的快速收敛。LSTM网络训练主要是使用大量的数据进行训练,但使用的深基坑监测数据摘要约100时期,和训练集数据是有限的。因此,LSTM网络进行网络训练的迭代训练,从而获得全局最优的解决方案。LSTM网络训练之前,所有的参数都需要初始化。每次迭代训练,训练误差可以通过损失函数。当误差满足要求时,它可以预测。如果公差不满意,LSTM网络会自动采用BPTT算法支持传播误差。采用优化算法(参见下一节),不断更新参数,比如网络的每一层的权重,最后调试超级等参数迭代步骤的数目和全球学习速率根据损失函数值。网络不断迭代和火车来获取最损失值和获得最优网络参数的解决方案。
3.1.3。网络预测
当LSTM网络训练误差满足要求和迭代次数完成后,得到了网络参数,它可以直接用来计算预测值,和真正的预测价值后可以获得预测结果计算了逆规范化公式。然后,与测试集测试预测精度。
3.2。选择优化算法
LSTM网络是一个深层神经网络模型,它可以通过单个或多个安装复杂的时间函数。复合时间函数的自变量LSTM网络权重和偏见项目每一层的网络,它的准确性直接影响整个LSTM网络的最终输出结果。为了提高LSTM网络培训的有效性,有必要不断更新和优化参数重量和偏见。优化算法开始发挥作用在这一时刻,这直接影响到最终LSTM网络的训练效果。因此,LSTM网络优化算法的选择必须要小心。不同的优化算法有不同的影响在LSTM网络建模。在现阶段,深入学习模型主要使用频繁的优化算法:随机梯度下降法(SGD)算法,动量算法,Nesterov算法,AdaGrad算法,RMSProp算法,和亚当算法(35),选择合适的LSTM优化算法需要通过网络模型的例子。每个算法的原则,下面将详细介绍。
3.2.1之上。SGD算法
SGD算法是最简单、最常用的优化算法在深度学习。它随机选择小批量样本所有训练样本 ,这是相互独立的,然后以小批量样品的平均坡度值作为下一个梯度更新方向。具体的算法是算法1如下。
|
||||||||||||||
3.2.2。动量算法
动量算法可以有效地减少网络培训振荡,使网络收敛更容易。具体的算法是算法2如下。
|
||||||||||||||||
梯度算法将积累前培训。相比之下,学习速度 ,动量系数越大是,这表明当前网络训练迭代方向更受前一个梯度的影响。上一次迭代点SGD算法的梯度更新取向,而动量算法需要的总和以前梯度和重量计算当前网络培训后电流梯度迭代方向。的价值代表所有历史的总比例迭代,通常0.9或0.99。
3.2.3。Nesterov加速度梯度算法
Nesterov算法最初预测的方向迭代的下一个参数然后得到预测点的梯度。最后,重量计算和和当前的梯度和以前所有梯度获得更新后的下一个迭代点的梯度方向,算法3如下。
|
||||||||||||||||||
3.2.4。AdaGrad算法
以上介绍的三种优化算法的学习速率是恒定的,而下面的优化算法的学习速率变化根据一定的规则在网络培训,也就是说,该算法根据一定的规则将调整学习速率在整个网络训练阶段。AdaGrad算法首先给出一个初始学习老鼠,然后使用学习速率之比以前所有的平方梯度作为网络训练的学习速率在这个时刻,作为算法4如下。
|
||||||||||||||||||||
3.2.5。RMSProp算法
同样,考虑到初始学习速率首先,RMSProp算法认为迭代点越远从当前迭代点的历史梯度对当前影响少,所以设置一个指数衰减率值(默认值是0.9),计算衰减平均值的历史梯度,然后把最初的学习速率除以这个值当前迭代点的学习速率,为算法5如下。
|
||||||||||||||||||
3.2.6。亚当算法
|
||||||||||||||||||||||||
作为算法6亚当算法结合RMSProp的优势和规范,容易实现的特点,操作效率高和低存储需求。亚当算法只需要获得一个步骤损失函数的深度学习模型的训练过程。如果参数不一致,学习速度也将改变。学习速率通常是由亚当的一阶和二阶矩估计算法根据梯度。
这六个算法涉及初始参数的初始化过程 。一般来说,为了避免造成的一系列数值问题0在数学运算,是不合适的为0。目前,常用的方法是给一个非常小的随机数,这不会影响算法的整个过程优化LSTM网络训练也解决数值问题引起的0。
这六个优化算法被广泛应用在深度学习和熟练的算法模型和在某些方面具有各自的优点和缺点。因此,深度学习模型适用于每个优化算法将是不同的,和适用的数据类型或场景也不同。有必要选择合适的优化算法在实际应用中。为了选择LSTM网络预测模型适用于深基坑变形预测,上述六个优化算法用于LSTM网络建模,分别LSTM网络优化算法的最佳选择是通过具体的工程实例。
3.2.7。序列分割尺度
之前时间数据输入到LSTM网络输入层,数据分割通常是需要对应LSTM内存单元。如果样本数据根据一定时期内变化,周期是用作序列分割的规模。如果没有时间序列数据的变化规律可以看出,提前一个值应该设置,然后,序列分割尺度应该根据需要手动增加或减少。RNN LSTM网络相比的优势在于LSTM网络可以捕获时间连接的输入数据不管时间步的大小。然而,在对深基坑变形的预测,可用于训练的样本有限,规模和分割不应太大。因此,本文中的序列分割LSTM网络规模控制在15。
3.2.8。损失函数
损失函数通常用来计算模型输出之间的区别和输入数据 ,通常表现为 。损失函数越小,模型的鲁棒性越好。目前,损失函数常用的深度学习模型包括均方误差损失函数、交叉熵损失函数,指数损失函数和损失函数绝对值。摘要LSTM网络应用于深基坑变形的预测。为了看到训练效果更直观,采用均方误差损失函数的损失函数LSTM网络培训。
3.2.9。激活函数
激活函数的功能是保持数据的特征信息,删除冗余信息。通常是使用非线性函数,添加非线性函数的关键作用是提高神经网络的非线性因素。非线性函数的重复叠加的每一层的网络,使得神经网络有足够的能力来提取各种复杂的非线性特性和近似的各种功能的关系。tanh或乙状结肠函数通常是用作操作激活函数LSTM内存单元之间的网络,而ReLU函数是选择网络的每一层之间的激活函数根据以前的经验。ReLU激活函数提出了Hintion et al ., 2010年最初是用于限制玻耳兹曼机(元)。ReLU本质上是一个函数的最大值,和它的公式如下:
ReLU与其他激活函数相比有以下优点:(1)只需要判断输出大于零,所以操作速度快(2)这是一个不饱和的激活函数,它不会导致的消失模型梯度乙状结肠饱和函数和双曲正切。在模型训练ReLU函数可以收敛迅速
3.3。工程实例
为了比较不同的优化函数的影响LSTM网络的输出精度,六个常用优化算法用于模型和分析LSTM网络。作为外部参数不是关键因素来确定最终的输出结果的准确性LSTM网络模型,每个模型的外部参数调整到最优解的状态。为了更好地评估每个模型的预测精度,平均预测精度(公式(16),平均相对误差(公式(17),总时间模型训练和预测采用精度评价指标。
在上面的公式中,代表平均预测精度,代表了残差的平方和,和分别代表了测量值和预测价值代表总数的预测时间。
3.3.1。应用于深基坑桩的水平位移
数据源是支护桩的水平位移的监测价值ZQT-14 21米在地铁深基坑在武汉(表示ZQT-14-21)。在深基坑支护桩不仅是用来防止周围的结构和管道的损坏也用于维护附近土壤的稳定性,以保证深基坑工程的安全。深基坑施工过程中,保持桩不仅影响土壤的力量在基坑内外,还受许多因素如支护结构和周围交通流,所以ZQT-14-21经常变化的监测数据和变形法是不确定的。ZQT-14-21的监测数据处理的预处理方法,和118年监测数据。
ZQT-14-21第一98期的监测数据被用于LSTM网络培训,和未来20期的变形数据预测的滚动,然后与测量值相比。六个优化算法的预测结果如表所示1(奇怪的观测时间的数据表中列出),平均预测精度如表所示2。
从计算结果可以看出表1和2,每个模型得到的预测结果和预测精度是不同的。从平均的角度预测准确性和平均相对误差,亚当算法具有最好的效果在六个优化算法。时间消耗,不是亚当算法消耗的时间最少在整个训练和预测LSTM网络的过程,但在一个中等水平。这是因为亚当算法需要计算的参数超过其他算法和理论上消耗更多的时间。总的来说,亚当LSTM网络预测模型优化的算法具有最好的精度,哪个更符合深基坑的深层水平位移和变形。这表明亚当算法对LSTM网络输出的准确性影响最大的和最好的优化效果,比其他优化算法具有更好的适用性。一般来说,亚当算法优化LSTM网络训练和预测效果最好的六个算法。
3.3.2。在解决列深基坑中的应用
数据源是列沉降监测的垂直位移变化点LZC-05在武汉地铁深基坑,已观察到的95年时间。首先,原始列沉降监测数据进行了测试和消除异常值测试。LZC-05不到100的总监控数据,测试方法是Grabus”规则。LZC-05后没有异常值检验,但列沉降的监测频率测量在第一个23天是每隔两天,所以插值是必要的。三次样条方法用于获得23期的数据,和106的数据插值之前和之后获得的。
同样,86年阶段的数据被用于每个模型的训练,和过去的20阶段的数据被用于比较预测值。每个模型的预测结果如表所示3(奇数的阶段被选中),平均预测精度的计算结果如表所示4。
结合表3和4,可以看出LSTM网络预测精度和时间要求不同的优化算法有很大的差距。从预测精度的角度,亚当算法具有最好的效果,而且预测精度最高,当应用于LSTM网络建模,而SGD算法精度最低。消费时间,AdaGrad算法消耗大部分时间和网络收敛速度最慢,而RMSProp梯度算法更新最快,所以消耗的时间最少。总的来说,由亚当LSTM网络优化算法消耗最少的时间在训练和预测,但它不是不同于其他算法,和其准确性是最好的在所有的优化算法。深基坑变形的预测需要一个高精度的预测模型,所以亚当算法最适合LSTM网络教练。
3.3.3。分析和总结
因为LSTM网络具有良好的特征提取,长期和短期记忆能力,和强烈的非线性拟合能力和泛化能力对于时间序列数据,它应用于时间序列数据处理深基坑的变形,并取得了良好的预测效果。在相同的示例中,RMSProp AdaGmd,亚当,动量,Nesterov,选择和SGD算法优化LSTM网络预测模型,每个模型的预测结果进行了比较和分析。通过两个例子的桩的水平位移和垂直位移的列在深基坑中,发现有非线性时间序列特征数据的两个例子,和LSTM网络预测模型构建是相对准确的,它证实了LSTM网络的可行性。LSTM网络预测结果由这六个优化算法有很大的不同,其中LSTM网络模型由亚当优化算法的准确性,最好和消费时间并没有太大的区别于其他算法,表明优化算法的选择起着至关重要的作用在LSTM网络预测结果。因此,总的来说,LSTM网络预测模型由亚当优化算法是最适合深基坑变形的预测。首先,LSTM网络的建模方法和过程进行了细节,然后优化算法用于模型中描述的细节,和最初的学习速率等参数选择方法,激活函数和迭代数相关LSTM详细介绍了网络训练。然后,把变形监测机构的数据深基坑为例,不同的优化算法对LSTM网络的预测效果比较,这证明了优化算法的选择起着重要的作用在LSTM也验证的可行性LSTM网络的数据处理和预测深基坑变形。
4所示。结论
LSTM网络是用于处理深基坑的变形数据,和随机梯度下降法,动量,Nesterov, RMSProp, AdaGmd,亚当选择算法在相同的示例建模预测和比较。桩的水平位移预测和垂直的两个例子列在深基坑位移预测表明,LSTM网络模型建立了不同的优化算法有不同的预测精度,和LSTM亚当优化算法建立的网络模型精度最高,表明优化算法的选择尤为重要,在LSTM网络建模。
结合LSTM网络及其改进模型对深基坑变形监测数据的分析和预测取得了一些成就,但也有一些内容需要完善,如下:(1)由于技术和能力是有限的,只有LSTM网络优化算法本文方法的参数选择和多点预测研究,等。未来的研究可以考虑关注LSTM网络训练算法来进一步提高LSTM网络训练和预测性能(2)多点预测模型将减少训练速度监视点的数量的增加,GPU加速可以被认为是在未来改善模型的运行速度
数据可用性
支持数据可从相应的作者和作者宣称他们没有利益冲突有关。
的利益冲突
作者宣称没有利益冲突。