PDF全文阅读

程庆军¹ ,  董明豹² ,  马辰旭¹  ,  刘艳冬¹  ,  卢兰萍¹

 

( 1 .  河北工程大学 土木工程学院 ，邯郸 056038 ;  2.  中煤光华地质工程有限公司 ，邯郸 056038)

摘   要 ：为对基坑开挖引起的变形进行更准确的预测 ，研究了一种聚类分析与时间序列预测相结合的沉降预测模型 ，利用密度峰值聚类算法  (DPC)  对具有类似变形模式特征的监测点进行空间分类 ，提取各个监测点之间的空间相关性 ，用以找出监测点中的聚类中心 ，构建了结合卷积神经网络  ( CNN) ,  长短时记忆神经网络(LSTM) ,  科尔莫哥罗夫 －阿诺德网络  (KAN)   的建筑物变形预测模型 ，该模型优化了长短时记忆神经网络的特征提取能力和其泛用性 ，将聚类中心监测点数据输入进行预测。结果表明：该模型在平均绝对误差和均方根误差较其他模型更低的情况下 ，拟合系数都维持在 90% 以上 ，精准度和适用性均得到提升 ，更适用于基坑施工过程中的变形预测 ，对实际基坑工程具有很大的现实指导意义。

关键词 ：神经网络 ；科尔莫哥罗夫 －阿诺德网络 ；密度峰值聚类 ；沉降预测

中图分类号：TU434           文献标志码：A           文章编号： 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

作者简介：程庆军  (2001 —) ,  男 ，硕士研究生 ，研究方向：岩土工程。

通信作者：卢兰萍  (1964—) ,  女 ，硕士 ，教授 ，研究方向：岩土工程。

收稿日期：2025 - 03 - 31