融合注意力机制的BiLSTM深基坑变形预测方法

《Scientific Reports》：BiLSTM deep foundation pit deformation prediction method integrating attention mechanism

　　

摘要

预测基坑变形是基坑工程面临的重要挑战。由于地下环境的复杂性以及施工条件的多样性，变形预测的准确性往往较低。因此，本研究构建了一种结合注意力机制与双向长短期记忆网络（BiLSTM）的变形预测模型，以提高深基坑变形预测的精度。同时，为提升模型的泛化能力，本研究在损失函数中引入了组合正则化处理，并在网络结构中加入了Dropout机制。研究以广州的一个深基坑开挖项目作为实例，实验表明，所提出的模型大约在30轮训练后即可收敛，训练损失可保持在0.03的水平。在验证数据预测中，该模型的最大绝对误差为1.44毫米，最小误差为0.001毫米，平均绝对误差为0.311毫米，均方根误差为0.433毫米，R²值为0.906，这些指标均优于对比模型。根据实验结果，本研究提出的注意力机制与BiLSTM模型在深基坑变形预测中具有良好的泛化性能和高精度，其在工程安全管理中的应用前景十分广阔。