沉管隧道长期沉降预测模型研究  

Research on long term settlement prediction model for immersed tunnel

作　　者：胡晓勇[1] 郑万坤[1] HU Xiao-yong;ZHENG Wan-kun

机构地区：[1]中交第一公路勘察设计研究院有限公司,陕西西安710000

出　　处：《建筑机械》2025年第3期211-215,220,共6页Construction Machinery

摘　　要：文章针对沉管隧道沉降监测数据非线性、非平稳的特点,提出1种基于STL分解的GRU-ARIMA组合预测模型,可更好地兼顾沉管隧道沉降长期发展趋势和波动特征。利用STL分解将沉降监测数据分解为趋势分量、周期分量和噪音分量,采用GRU循环神经网络对趋势分量和噪音分量进行预测,周期分量采用ARIMA模型预测,将预测结果相加获得总的预测值。以车陂路-新滘东路隧道工程为例,选择代表性监测点J1、J2的沉降监测数据,划分训练集和测试集,通过对比测试集实测值和组合模型预测值以验证模型的合理性,同时与单一GRU循环神经网络预测值进行对比以验证组合模型的优势。结果表明:组合模型测试集预测结果与实测值相比较为吻合,能够用于实际工程中,同时相对于单一的GRU模型具有明显的优势。

关 键 词：沉管隧道 沉降监测 STL分解 GRU循环神经网络 ARIMA模型 

分 类 号：U455[建筑科学—桥梁与隧道工程]