综合精品_淫语对白_亚洲一线二线在线观看_自偷自拍av_女m被主人虐玩调教91_青草精品视频_一乃葵在线_村上里沙在线观看_国产精品刺激_日韩精品视频免费_国产又黄又猛又粗_3d蒂法精品啪啪一区二区免费_日韩一本在线_奇米精品一区二区三区四区_日本三级黄色录像

PDF全文閱讀

程慶軍¹ ,  董明豹² ,  馬辰旭¹  ,  劉艷冬¹  ,  盧蘭萍¹

 

( 1 .  河北工程大學(xué) 土木工程學(xué)院 ，邯鄲 056038 ;  2.  中煤光華地質(zhì)工程有限公司 ，邯鄲 056038)

摘   要 ：為對基坑開挖引起的變形進行更準(zhǔn)確的預(yù)測 ，研究了一種聚類分析與時間序列預(yù)測相結(jié)合的沉降預(yù)測模型 ，利用密度峰值聚類算法  (DPC)  對具有類似變形模式特征的監(jiān)測點進行空間分類 ，提取各個監(jiān)測點之間的空間相關(guān)性 ，用以找出監(jiān)測點中的聚類中心 ，構(gòu)建了結(jié)合卷積神經(jīng)網(wǎng)絡(luò)  ( CNN) ,  長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM) ,  科爾莫哥羅夫 －阿諾德網(wǎng)絡(luò)  (KAN)   的建筑物變形預(yù)測模型 ，該模型優(yōu)化了長短時記憶神經(jīng)網(wǎng)絡(luò)的特征提取能力和其泛用性 ，將聚類中心監(jiān)測點數(shù)據(jù)輸入進行預(yù)測。結(jié)果表明：該模型在平均絕對誤差和均方根誤差較其他模型更低的情況下 ，擬合系數(shù)都維持在 90% 以上 ，精準(zhǔn)度和適用性均得到提升 ，更適用于基坑施工過程中的變形預(yù)測 ，對實際基坑工程具有很大的現(xiàn)實指導(dǎo)意義。

關(guān)鍵詞 ：神經(jīng)網(wǎng)絡(luò) ；科爾莫哥羅夫 －阿諾德網(wǎng)絡(luò) ；密度峰值聚類 ；沉降預(yù)測

中圖分類號：TU434           文獻(xiàn)標(biāo)志碼：A           文章編號： 1005- 8249   (2026)  01- 0123- 05

DOI:10. 19860/j.cnki.issn1005 - 8249.2026.01 .022

CHENG Qingjun¹  ,   DONG Mingbao² ,   MA Chenxu¹  ,  LIU Yandong¹  ,  LU Lanping¹

( 1 . School of Civil Engineering ,   HeBei University of Engineering ,   Handan 056038 ,   China;

2. Middling Coal Guanghua Geological Engineering Co . ,  Ltd. ,   Handan 056038 ,   China)

Abstract :  To make more  accurate  predictions  of the  deformation  caused  by  foundation pit  excavation ,   a  settlement  prediction model combining cluster analysis and time series prediction was studied.   The density peak clustering  (DPC)  algorithm was used to spatially classify monitoring points with  similar deformation pattern characteristics ,   extracting the  spatial  correlation  between each monitoring  point  to identify  the cluster centers   among  the monitoring points .    A building deformation prediction model combining convolutional neural network (CNN) ,  long short - term memory (LSTM) ,   and Kolmogorov - Arnold network  (KAN) was constructed.   This  model  optimized  the  feature  extraction  ability  and  generalization  of the  LSTM and  input  the data  of  the cluster center monitoring points for prediction.   The results  show that ,   with lower mean absolute error and root mean square error compared to other models ,   the fitting coefficient of this model remains above 90% ,   improving both accuracy and applicability. It is more suitable for deformation prediction during foundation pit construction and has significant practical guiding significance for actual foundation pit projects .

Key words :  neural network;  kolmogorov - arnold network;   density peak clustering;  settlement forecast

作者簡介：程慶軍  (2001 —) ,  男 ，碩士研究生 ，研究方向：巖土工程。

通信作者：盧蘭萍  (1964—) ,  女 ，碩士 ，教授 ，研究方向：巖土工程。

收稿日期：2025 - 03 - 31