Resumen

En el caso de las excavaciones soportadas por muros pantalla de hormign, una deformacin excesiva del muro puede suponer un riesgo potencial para las estructuras y servicios pblicos adyacentes en zonas urbanas. Por lo tanto, es importante predecir la deformacin CDW con alta precisin y eficiencia. Este trabajo investiga tres algoritmos de aprendizaje automtico, a saber, la red neuronal de retropropagacin (BPNN), la memoria a largo plazo (LSTM) y la unidad recurrente cerrada (GRU), para predecir la deformacin de los RCD inducida por la excavacin. Para verificar los modelos propuestos se utiliza una base de datos de mediciones de campo obtenidas en un proyecto de excavacin en Suzhou (China). Los resultados muestran que GRU presenta menores errores de prediccin y mejor robustez en la validacin cruzada de 10 veces que BPNN y ejecuta menos tiempo computacional que LSTM. Por lo tanto, GRU es el algoritmo ms adecuado para la prediccin de la deflexin de CDW teniendo en cuenta tanto la eficacia como la eficiencia, y los resultados predichos pueden proporcionar una ayuda razonable para la supervisin de la seguridad y las estrategias de alerta temprana llevadas a cabo en la obra.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Muro pantalla de hormigón; CDW excavación apoyada; Deflexión del muro; Algoritmos de aprendizaje automático; GRU; Errores de predicción
• Keywords:Concrete diaphragm wall; CDW supported excavation; Wall deflection; Machine learning algorithms; GRU; Prediction errors