Resumen

La supervisin y prediccin de los asentamientos del terreno durante la construccin de tneles son de gran importancia para garantizar un funcionamiento seguro y fiable de los sistemas de tneles urbanos. Las tcnicas basadas en datos que combinan la inteligencia artificial (IA) y las redes de sensores son mtodos populares en este campo, que tienen varias ventajas, incluyendo una alta precisin de prediccin, eficiencia y bajo coste. El aprendizaje profundo, como una de las tcnicas avanzadas en IA, es demandado para el problema de previsin de asentamientos en tneles. Sin embargo, las redes neuronales profundas a menudo requieren una gran cantidad de datos de entrenamiento. Debido a la construccin de tneles, las muestras de datos de entrenamiento disponibles son limitadas, y los datos son univariantes (es decir, contienen solo los datos de asentamiento). En respuesta a los problemas anteriores, esta investigacin propone un modelo de aprendizaje profundo que solo requiere un nmero limitado de datos de entrenamiento para la prediccin a corto plazo del asentamiento de la superficie del tnel. En el modelo CEEMDAN-LSTM (complete ensemble empirical mode decomposition with adaptive noise long short term memory), los datos unidimensionales se dividen en datos multidimensionales mediante CEEMDAN a travs de la descomposicin de modo emprico de conjunto completo. A continuacin, cada componente es predicho por una red neuronal LSTM y superpuesto para obtener el resultado final de la prediccin. Los resultados experimentales muestran que, en comparacin con las tcnicas y algoritmos de aprendizaje automtico existentes, este mtodo de aprendizaje profundo tiene una mayor precisin de prediccin y una eficiencia computacional aceptable. En el caso de muestras pequeas, este mtodo puede mejorar significativamente la precisin de la prediccin de series temporales.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Monitorización; Predicción; Asentamiento del terreno; Construcción de túneles; Aprendizaje profundo; Redes neuronales.
• Keywords:Monitoring; Prediction; Ground settlement; Tunnel construction; Deep learning; Neural networks