基于IPSO-SVR的盾构下穿既有道路沉降预测分析

目前，有关盾构隧道平行下穿既有道路的沉降预测研究相对较少。为准确预测在盾构过程中不同因素对既有平行道路沉降的影响规律，本研究提出一种基于改进粒子群优化的支持向量回归(IPSO-SVR)预测模型，将其应用于实际地铁隧道工程的地表道路沉降预测中。以长春地铁6号线下穿飞跃路区间工程为依托，结合盾构施工过程中盾构掘进参数、地层信息与道路沉降的监测，应用libsvm网格搜索法缩小超参数范围，同时结合非线性递减策略改进粒子群算法中惯性权重与加速因子的变化情况，最终建立IPSO-SVR预测模型，实现区间内后续路段的沉降预测。研究结果表明，对比网格搜索法与常规粒子群优化训练中目标函数(均方误差)的变化情况，经改进后的粒子群优化的收敛速度有较好提升，目标函数收敛效果更好，其最小值缩小近15%。本研究提出的IPSO-SVR对道路沉降预测平均绝对误差(MAE)为0.287，拟合决定系数R²为0.884，平均相对误差仅为8.91%，较反向传播(BP)神经网络、支持向量回归(SVR)、粒子群优化的支持向量回归(PSO-SVR)预测模型有更佳性能表现。由此可知，IPSOSVR对于复杂情况下多...