基于机器学习与有限元网格优化的开挖引起的盾构隧道地面沉降建模与预测

盾构施工的地面沉降预测极为重要且具有挑战性。本研究引入了一种结合有限元数值模拟的机器学习算法，即机器学习-有限元网格优化。为预测地表沉降，优化了16种结合的ANN、KNN、RF和SVR模型，这些模型通过PSO、GA、BT和BO进行优化，涉及原始数据预处理、主成分分析、超参数选择和预测准确性评估。分析了一个地铁盾构隧道项目，该项目的有限元数值模型的网格被离散为不同的大小，从1.0Formula: see textm到2.0Formula: see textm。总共从模拟结果中提取了360组数据点，包括应力、应变、盾构推力、内摩擦角、粘聚力和沉降，其中252个数据点用作机器学习模型的输入参数。有限元-机器学习耦合模型的平均误差率分析显示，当有限元模型的网格大小为1.4Formula: see textm时，该有限元模型的沉降预测准确性最高，而GA-SVR模型在地面沉降预测中具有最高的准确性和泛化能力。本研究突显了机器学习-有限元网格优化模型在应用中的独特性.