Resumen

Este artículo propone un modelo novedoso de optimización de lobo gris-máquina de aprendizaje extremo, denominado modelo GWO-ELM, para entrenar y predecir el hundimiento del suelo mediante la combinación de la máquina de aprendizaje extremo con el algoritmo de optimización de lobo gris. Tomando como ejemplo un proyecto de excavación de un pozo de cimentación en Kunming, China, después de analizar los datos de monitoreo de asentamiento de las secciones transversales JC55 y JC56, los sitios de monitoreo representativos JC55-2 y JC56-1 fueron seleccionados como muestras de monitoreo de entrenamiento del modelo GWO-ELM. Se establecieron tres tipos de modelos GWO-ELM, considerando la influencia de series temporales, la influencia de factores de asentamiento y después de la optimización, para predecir el hundimiento del suelo cerca del pozo de cimentación. Los resultados predictivos muestran que el error relativo promedio y el error absoluto promedio se clasifican de mayor a menor en el

• Materias:Elementos finitos Análisis de estabilidad Energía histerética Seguridad en la ingeniería civil Tensión-deformación
• Subjects:Finite elements Stability analysis Hysteretic energy Safety in civil engineering Stress-strain
• Palabras claves:Propone; Modelo de optimización del lobo gris-máquina de aprendizaje extremo; Modelo GWO-ELM; Hundimiento del suelo; Máquina de aprendizaje extremo; Algoritmo de optimización del lobo gris
• Keywords:Proposes; Grey wolf optimization-extreme learning machine model; GWO-ELM model; Ground subsidence; Extreme learning machine; Grey wolf optimization algorithm