-
Patent Agency Ranking
公开(公告)号：CN113792372A
公开(公告)日：2021-12-14
申请号：CN202111146580.1
申请日：2021-09-28
Applicant: 苏州大学
Abstract: 本发明公开了一种基于CV‑LSTM组合模型的地连墙变形动态预测方法。选取监测点，采集基坑工程地连墙的变形历史监测数据，整理形成监测表；采用CV‑LSTM组合模型对变形监测数据中的训练样本进行学习，将训练得到的最优模型对测试集样本进行变形预测，得到地连墙变形预测值。将按本发明技术方案得到变形预测值与变形实测值进行对比，计算评价指标，结果显示，本发明提供的CV‑LSTM组合模型相比传统BP神经网络表现出了较高的预测精度，较单独的LSTM深度网络具有更好的泛化能力，适用于地连墙变形的动态预测问题，可为施工现场实现信息化管理提供参考。
-
公开(公告)号：CN114881205A
公开(公告)日：2022-08-09
申请号：CN202210417075.4
申请日：2022-04-20
Applicant: 苏州大学
Abstract: 本发明公开了一种盾构姿态预测方法、介质、电子设备及系统，该方法包括以下步骤：S1、获取盾构数据；S2、对盾构数据进行预处理，划分训练集和测试集；S3、利用CNN‑Bi LSTM‑Attent ion复合神经网络模型对训练集中的数据进行训练；S4、用训练好的复合神经网络模型对测试集中的数据进行姿态预测，得到盾构姿态。本发明盾构姿态预测方法针对盾构数据具有周期长以及非线性的特点，利用CNN层对输入数据进行特征提取，大大减小了深度学习的时间以及传统神经网络出现过拟合缺点。本发明的复合神经网络模型由于其处理长序列数据的优势，对于盾构姿态预测具有较高的精度。本发明的复合神经网络模型表现出更好的稳定性和更高的预测精度，同时具有更好的泛化能力。
-
公开(公告)号：CN112836789A
公开(公告)日：2021-05-25
申请号：CN202011572061.7
申请日：2020-12-27
Applicant: 苏州大学
Abstract: 本发明公开了一种基于复合神经网络算法的地连墙变形动态预测方法。采用活动式测斜仪对地连墙水平位移进行采集，对监测数据进行预处理并形成变形数据库；采用CV‑LSTM模型将变形数据库划分为训练集和测试集，并对其中的训练样本进行学习；使用变形数据库中的测试样本对地连墙水平位移进行预测，为控制变形风险提供依据。本发明提供的CV‑LSTM复合神经网络算法的预测模型相比传统BP神经网络，表现出了较高的预测精度，较单独的LSTM深度网络具有更好的泛化能力，适用于地连墙变形的动态预测问题，从而可为施工现场实现信息化管理提供参考。
-
公开(公告)号：CN115392336A
公开(公告)日：2022-11-25
申请号：CN202210607940.1
申请日：2022-05-31
Applicant: 苏州大学
Abstract: 本发明公开了一种盾构施工引起地面沉降的预测方法、装置、设备以及计算机可读存储介质，包括：采集盾构区间样本集，并构建盾构沉降预测模型；利用SMOTE算法将所述盾构区间样本集进行样本数目扩增处理，随机采样样本增加少数类样本，得到样本盾构区间样本训练集；将所述盾构区间样本训练集输入所述盾构沉降预测模型中进行训练，得到完成训练的盾构沉降预测模型。本发明采用SMOTE算法对样本数据集进行样本数目扩充，采用样本数目扩增后的样本对预测模型进行训练，使盾构沉降预测模型不容易产生过拟合问题，预测模型提取的信息足够泛化，提高模型的预测精度。
-
公开(公告)号：CN114219134A
公开(公告)日：2022-03-22
申请号：CN202111445389.7
申请日：2021-11-30
Applicant: 苏州大学
Abstract: 本发明公开了一种盾构施工引起地面沉降的预测方法及系统，包括以下步骤：S1：获取当地盾构案例数据建立数据库，对数据库中数据进行预处理制作数据集，其中，所述预处理包括采用SMOTE算法对数据进行扩增；S2：将数据集输入KNN机器学习模型进行训练，选取训练参数最优的KNN机器学习模型作为预测模型，预测盾构施工引起的最大地表沉降值；S3：运用指标对预测模型进行评估，测试预测模型的预测精度。本发明提高对于盾构施工引起的地面沉降变形的预测能力。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
