Obtenga beneficios adicionales
Aún no tiene una suscripción a Virtual Pro?
Para acceder a este contenido se requiere una suscripción
Obtenga beneficios adicionales
Aún no tiene una suscripción a Virtual Pro?
Para acceder a este contenido se requiere una suscripción
La supervisin y prediccin de los asentamientos del terreno durante la construccin de tneles son de gran importancia para garantizar un funcionamiento seguro y fiable de los sistemas de tneles urbanos. Las tcnicas basadas en datos que combinan la inteligencia artificial (IA) y las redes de sensores son mtodos populares en este campo, que tienen varias ventajas, incluyendo una alta precisin de prediccin, eficiencia y bajo coste. El aprendizaje profundo, como una de las tcnicas avanzadas en IA, es demandado para el problema de previsin de asentamientos en tneles. Sin embargo, las redes neuronales profundas a menudo requieren una gran cantidad de datos de entrenamiento. Debido a la construccin de tneles, las muestras de datos de entrenamiento disponibles son limitadas, y los datos son univariantes (es decir, contienen solo los datos de asentamiento). En respuesta a los problemas anteriores, esta investigacin propone un modelo de aprendizaje profundo que solo requiere un nmero limitado de datos de entrenamiento para la prediccin a corto plazo del asentamiento de la superficie del tnel. En el modelo CEEMDAN-LSTM (complete ensemble empirical mode decomposition with adaptive noise long short term memory), los datos unidimensionales se dividen en datos multidimensionales mediante CEEMDAN a travs de la descomposicin de modo emprico de conjunto completo. A continuacin, cada componente es predicho por una red neuronal LSTM y superpuesto para obtener el resultado final de la prediccin. Los resultados experimentales muestran que, en comparacin con las tcnicas y algoritmos de aprendizaje automtico existentes, este mtodo de aprendizaje profundo tiene una mayor precisin de prediccin y una eficiencia computacional aceptable. En el caso de muestras pequeas, este mtodo puede mejorar significativamente la precisin de la prediccin de series temporales.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Existencia de soluciones para una ecuación del laplaciano fraccional con no linealidad crítica
Artículo:
Comentario sobre "Sobre las propiedades del marco de un sistema degenerado de senos"
Artículo:
Investigación sobre la evaluación del desarrollo sostenible de la nueva urbanización desde la perspectiva de la aglomeración urbana bajo los conjuntos difusos de Pitágoras.
Artículo:
Simulación numérica en 3D de la transferencia de calor de una placa calentada bajo el campo eléctrico generado por un electrodo de aguja
Artículo:
Soluciones débiles y control óptimo de las ecuaciones evolutivas hemivariacionales de Navier-Stokes bajo la condición de Rauch.
Virtual Pro es un portal virtual de formación, investigación y comunicación especializado en procesos industriales.
� 2021, Virtual Pro �, una marca de Grupo INGCO. Todos los derechos reservados
