深度学习在实测沉降数据预处理中的应用研究

基于深度学习中的长短期记忆网络LSTM,通过搭建Seq2Seq模型,提出了可对实测沉降数据进行预处理的新方法.Seq2Seq可通过观测大量有效的测点数据来自动学习沉降发展规律,并在训练完成后能对异常测点沉降进行重新计算,可有效避免异常数据对后续沉降预测的干扰.以某机场多个区域的实测沉降数据为背景,通过将Seq2Seq模型重计算出的沉降值与实测值对比,验证了该模型的可靠性.结合超参数与数据集等参数分析,研究了提升模型学习能力的影响因素.研究结果表明:在训练集选取40个测点、测试集选取15个的条件下,模型重计算值与实测值全过程平均误差3 cm.增大训练集与数据特征,且减小训练集与测试集之间的偏差时,模型的精度提升明显,误差缩小到2 cm.     

基于分级加载工况的沉降曲线拟合法及工程运用

为评估分级堆载预压法处理下地基的沉降,提出了适用于分级大面积加载工况的沉降预测方法.基于指数曲线法,将传统的单级加载预测模型拓展为多级预测模型,结合某填海机场地基处理工程实例,通过对实测沉降的拟合、预测,分析了多级预测方法的实际应用效果.研究结果表明:在分级加载工况下,与单级方法相比,多级方法能较好地预测后期继续加载且尚无实测数据情况的地基沉降发展,对最终沉降的预测误差在5％以内,而对于这种情况单级方法无法预测;对现有荷载下已有实测数据的沉降预测,多级方法和单级方法预测结果差别不大且预测误差都在5％以内;多级方法能反映多级工况下完整的沉降发展过程,而单级方法仅能拟合、预测当前一级荷载下的沉降.多级方法对分级加载工况下的沉降预测具有明显优势.