基于CEEMDAN‑SSA‑ELM‑LSTM模型的地铁车站深基坑支护桩水平变形预测

刘彦伟; 彭洁; 任连伟; 高保彬; 郭佳奇; 王泽武; 韩红凯

doi:10.13409/j.cnki.jdpme.20240924001

您当前的位置：

首页 >

文章列表页 >

基于CEEMDAN‑SSA‑ELM‑LSTM模型的地铁车站深基坑支护桩水平变形预测

“防灾减灾工程高性能计算方法（HPC）”专题 | 更新时间：2025-03-10

- 基于CEEMDAN‑SSA‑ELM‑LSTM模型的地铁车站深基坑支护桩水平变形预测
- Forecasting of Horizontal Deformation in Retaining Piles of Subway Station Deep Foundation Pits Based on the CEEMDAN⁃SSA⁃ELM⁃LSTM Model
- 防灾减灾工程学报 2025年45卷第1期页码：34-46
- 作者机构：
  
  1.河南理工大学安全科学与工程学院，河南焦作 454000
  2.河南理工大学土木工程学院，河南焦作 454000
  3.郑州地铁集团有限公司，河南郑州 450000
- 作者简介：
  
  刘彦伟（1975—），男，教授，博导，博士。主要从事地下工程安全与防灾减灾研究。E-mail: yanweiliu@hpu.edu.cn
  任连伟（1980—），男，教授，博导，博士。主要从事地基基础相关的教学与研究。E-mail: renhpu@hpu.edu.cn
- 基金信息：
  
  中国工程院院地合作项目(2023HENZDB5);区域创新发展联合基金(AQ20230304)
- DOI：10.13409/j.cnki.jdpme.20240924001
  中图分类号： TU443
- 收稿：2024-09-24，
  
  修回：2024-11-21，
  
  纸质出版：2025-02-15
- 稿件说明：
移动端阅览
刘彦伟,彭洁,任连伟等.基于CEEMDAN‑SSA‑ELM‑LSTM模型的地铁车站深基坑支护桩水平变形预测[J].防灾减灾工程学报,2025,45(01):34-46.

LIU Yanwei,PENG Jie,REN Lianwei,et al.Forecasting of Horizontal Deformation in Retaining Piles of Subway Station Deep Foundation Pits Based on the CEEMDAN⁃SSA⁃ELM⁃LSTM Model[J].Journal of Disaster Prevention and Mitigation Engineering,2025,45(01):34-46.
刘彦伟,彭洁,任连伟等.基于CEEMDAN‑SSA‑ELM‑LSTM模型的地铁车站深基坑支护桩水平变形预测[J].防灾减灾工程学报,2025,45(01):34-46. DOI： 10.13409/j.cnki.jdpme.20240924001.

LIU Yanwei,PENG Jie,REN Lianwei,et al.Forecasting of Horizontal Deformation in Retaining Piles of Subway Station Deep Foundation Pits Based on the CEEMDAN⁃SSA⁃ELM⁃LSTM Model[J].Journal of Disaster Prevention and Mitigation Engineering,2025,45(01):34-46. DOI： 10.13409/j.cnki.jdpme.20240924001.

摘要

灾害监测与预测是岩土工程领域至关重要的任务之一，但工程监测数据中的非平稳性和非线性一直是预测的难点。为应对此挑战，引入数据驱动算法极限学习机（ELM）、长短时记忆神经网络模型（LSTM），结合自适应噪声完备集合经验模态分解（CEEMDAN）和麻雀搜索算法（SSA），提出了一种改进的地铁车站深基坑变形组合预测模型。首先，通过CEEMDAN将支护桩水平位移序列分解为趋势项和波动项，降低数据的非平稳性。其次，为充分考虑分解序列差异的非线性特征，分别采用SSA优化后的ELM和LSTM模型对低频趋势项与高频波动项进行预测，并将结果叠加重构为最终预测值。最后，以郑州市某地铁车站深基坑为例，通过设置消融实验、对比实验和泛化性验证实验，系统评估了模型的准确性与实用性。结果表明：该模型在精度和稳定性方面显著优于其他模型，其中

提升了2.88%~23.62%，

RMSE

和

MAPE

分别降低了6.63%~41.13%、8.08%~64.79%。这充分说明模型在应对数据非平稳性和捕捉非线性特征方面表现出色，具备良好的可靠性和广泛的应用前景，可为岩土工程中的灾害防治提供新的思路和技术支持。

Abstract

Disaster monitoring and prediction are critical tasks in geotechnical engineering. However

the inherent non-stationarity and non-linearity of engineering monitoring data have long posed challenges for accurate forecasting. In response to this challenge

this study proposes an improved combination prediction model for the deformation of deep foundation pits in subway stations. The model integrates data-driven algorithms

including Extreme Learning Machine (ELM) and Long Short-Term Memory (LSTM) neural networks

along with Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) and the Sparrow Search Algorithm (SSA). Initially

CEEMDAN was employed to decompose the horizontal displacement sequence of the retaining piles into trend and fluctuation components

thereby reducing

the data's non-stationarity. Furthermore

to fully capture the nonlinear characteristics of the differences among each decomposed sequence

SSA-optimized ELM and LSTM models were employed to predict the low-frequency trend component and high-frequency fluctuation component

respectively. The results were then combined to reconstruct the final prediction values. Finally

the accuracy and practicality of the model were systematically evaluated through ablation

comparative and generalization validation experiments using a deep foundation pit example in Zhengzhou subway station. The results demonstrated that the proposed model exhibited superior performance in terms of both accuracy and stability when compared to other models. The R² improvements ranged from 2.88% to 23.62%

while the reductions in

RMSE

and

MAPE

were observed to be between 6.63% and 41.13% and between 8.08% and 64.79%

respectively. The model's efficacy in addressing data's non-stationarity and capturing nonlinear features is evident

offering high reliability and broad application prospects. The model provides novel insights to and technical support for disaster prevention in geotechnical engineering.

关键词

Keywords

references

章润红，刘汉龙，仉文岗 . 深基坑支护开挖对临近地铁隧道结构的影响分析研究［J］. 防灾减灾工程学报， 2018 ， 38 （ 5 ）： 857 - 866 .

Zhang R H ， Liu H L ， Zhang W G . Numerical investigation on tunnel responses induced by adjacent deep braced pit excavations ［J］. Journal of Disaster Prevention and Mitigation Engineering ， 2018 ， 38 （ 5 ）： 857 - 866 . （in Chinese）

程康，徐日庆，应宏伟，等 . 杭州软黏土地区某30.2m深大基坑开挖性状实测分析［J］. 岩石力学与工程学报， 2021 ， 40 （ 4 ）： 851 - 863 .

Cheng K ， Xu R Q ， Ying H W ， et al . Performance analysis of a 30.2 m deep-large excavation in Hangzhou soft clay ［J］. Chinese Journal of Rock Mechanics and Engineering ， 2021 ， 40 （ 4 ）： 851 - 863 . （in Chinese）

沈路遥，钱建固，张戎泽 . 挡墙水平变位诱发地表沉降的简化解析解［J］. 岩土力学， 2016 ， 37 （ 8 ）： 2293 - 2298 .

Shen L Y ， Qian J G ， Zhang R Z . A simplified analytical solution for ground settlement induced by horizontal movement of retailing wall ［J］. Rock and Soil Mechanics ， 2016 ， 37 （ 8 ）： 2293 - 2298 . （in Chinese）

胡之锋，陈健，邱岳峰，等 . 挡墙水平变位诱发地表沉降的显式解析解［J］. 岩土力学， 2018 ， 39 （ 11 ）： 4165 - 4175 .

Hu Z F ， Chen J ， Qiu Y F ， et al . Analytical formula for ground settlement induced by horizontal movement of retaining wall ［J］. Rock and Soil Mechanics ， 2018 ， 39 （ 11 ）： 4165 - 4175 . （in Chinese）

Clough G W . Construction induced movements of insitu walls ［J］. Geotechnical Special Publication ， 1990 （ 25 ）： 439 - 470 .

尚国文，李飒，翟超，等 . 基坑开挖与邻近地铁结构变形相关性的实测分析［J］. 防灾减灾工程学报， 2020 ， 40 （ 1 ）： 107 - 115 .

Shang G W ， Li S ， Zhai C ， et al . Monitoring data analysis on deformation correlation between foundation pit and adjacent metro structure ［J］. Journal of Disaster Prevention and Mitigation Engineering ， 2020 ， 40 （ 1 ）： 107 - 115 . （in Chinese）

陈昆，闫澍旺，孙立强，等 . 开挖卸荷状态下深基坑变形特性研究［J］. 岩土力学， 2016 ， 37 （ 4 ）： 1075 - 1082 .

Chen K ， Yan S W ， Sun L Q ， et al . Analysis of deformation of deep foundation pit under excavation unloading condition ［J］. Rock and Soil Mechanics ， 2016 ， 37 （ 4 ）： 1075 - 1082 . （in Chinese）

刘天翔，朱鸿鹄，程刚，等 . 地下连续墙受力变形光纤监测与数值模拟研究［J］. 防灾减灾工程学报， 2024 ， 44 （ 1 ）： 222 - 233 .

Liu T X ， Zhu H H ， Cheng G ， et al . Fiber optic monitoring and numerical simulation of stress and deformation of diaphragm wall ［J］. Journal of Disaster Prevention and Mitigation Engineering ， 2024 ， 44 （ 1 ）： 222 - 233 . （in Chinese）

张贵金，徐卫亚 . 岩土工程风险分析及应用综述［J］. 岩土力学， 2005 ， 26 （ 9 ）： 1508 - 1516 .

Zhang G J ， Xu W Y . Summary about risk analysis of geotechnical engineering and its application ［J］. Rock and Soil Mechanics ， 2005 ， 26 （ 9 ）： 1508 - 1516 . （in Chinese）

徐长节，李欣雨 . 基于人工神经网络的深基坑支护结构侧移预测［J］. 上海交通大学学报， 2024 ， 58 （ 11 ）： 1735 - 1744 .

Xu C J ， Li X Y . Lateral deformation prediction of deep foundation retaining structures based on artificial neural network ［J］. Journal of Shanghai Jiaotong University ， 2024 ， 58 （ 11 ）： 1735 - 1744 . （in Chinese）

许志海，张可能，李斌，等 . 基于SVM模型的基坑监测数据预测［J］. 工程建设与设计， 2019 （ 13 ）： 186 - 190 .

Xu Z H ， Zhang K N ， Li B ， et al . Data prediction of foundation pit monitoring based on SVM model ［J］. Construction & Design For Engineering ， 2019 （ 13 ）： 186 - 190 . （in Chinese）

林楠，张文春，刘鹰，等 . 基于随机森林模型的季节性冻区深基坑变形预测［J］. 地下空间与工程学报， 2018 ， 14 （增1 ）： 357 - 362 .

Lin N ， Zhang W C ， Liu Y ， et al . Prediction of deep foundation pit horizontal displacement based on random forest model in seasonal frozen region ［J］. Chinese Journal of Underground Space and Engineering ， 2018 ， 14 （ Sup1 ）： 357 - 362 . （in Chinese）

李鑫家，丁智，张霄，等 . 基于BO-XGBoost的盾构掘进地表变形预测［J］. 低温建筑技术， 2022 ， 44 （ 11 ）： 102 - 107 .

Li X J ， Ding Z ， Zhang X ， et al . Surface deformation prediction of shield tunneling based on Bayesian optimization XGBoost ［J］. Low Temperature Architecture Technology ， 2022 ， 44 （ 11 ）： 102 - 107 . （in Chinese）

陈焕，张可，蒋一波，等 . 地铁车站深基坑钢支撑体系轴力预测及安全预警模型研究［J］. 防灾减灾工程学报， 2023 ， 43 （ 3 ）： 576 - 587 .

Chen H ， Zhang K ， Jiang Y B ， et al . Research on axial force prediction and safety warning model of steel bracing system in deep foundation pit of subway station ［J］. Journal of Disaster Prevention and Mitigation Engineering ， 2023 ， 43 （ 3 ）： 576 - 587 . （in Chinese）

王雪妮，韩国锋 . 地铁车站深基坑的变形预测及稳定性研究［J］. 长江科学院院报， 2018 ， 35 （ 10 ）： 77 - 81， 87 .

Wang X N ， Han G F . Application of coupling prediction model and cusp catastrophe theory to deformation prediction of deep foundation pit of subway station ［J］. Journal of Changjiang River Scientific Research Institute ， 2018 ， 35 （ 10 ）： 77 - 81， 87 . （in Chinese）

刘银涛，任超 . 基于SSA-ELM算法的基坑地表沉降预测［J］. 桂林理工大学学报， 2024 ， 44 （ 3 ）： 471 - 475 .

Liu Y T ， Ren C . Prediction of foundation pit surface settlement based on SSA-ELM algorithm ［J］. Journal of Guilin University of Technology ， 2024 ， 44 （ 3 ）： 471 - 475 . （in Chinese）

Mahmoodzadeh A ， Mohammadi M ， Daraei A ， et al . Forecasting maximum surface settlement caused by urban tunneling ［J］. Automation in Construction ， 2020 ， 120 ： 103375 .

张生杰，谭勇 . 基于LSTM算法的基坑变形预测［J］. 隧道建设（中英文）， 2022 ， 42 （ 1 ）： 113 - 120 .

Zhang S J ， Tan Y . Deformation prediction of foundation pit based on long short-term memory algorithm ［J］. Tunnel Construction ， 2022 ， 42 （ 1 ）： 113 - 120 . （in Chinese）

赵华菁，张名扬，刘维，等 . 基于神经网络算法的深基坑地连墙变形动态预测［J］. 地下空间与工程学报， 2021 ， 17 （增1 ）： 321 - 327 .

Zhao H J ， Zhang M Y ， Liu W ， et al . Dynamic prediction of diaphragm wall deflection caused by deep excavation using neural network algorithm ［J］. Chinese Journal of Underground Space and Engineering ， 2021 ， 17 （ Sup1 ）： 321 - 327 . （in Chinese）

曹净，丁文云，赵党书，等 . 基于LSSVM-ARMA模型的基坑变形时间序列预测［J］. 岩土力学， 2014 ， 35 （增2 ）： 579 - 586 .

Cao J ， Ding W Y ， Zhao D S ， et al . Time series forecast of foundation pit deformation based on LSSVM-ARMA model ［J］. Rock and Soil Mechanics ， 2014 ， 35 （ Sup2 ）： 579 - 586 . （in Chinese）

牛帅星，李庶林，刘胤池，等 . 基于小波变换的GASVM-ARMA模型在深基坑变形预测中的应用［J］. 土木与环境工程学报（中英文）， 2023 ， 45 （ 3 ）： 16 - 23 .

Niu S X ， Li S L ， Liu Y C ， et al . Application of GASVM-ARMA model based on wavelet transform in deformation prediction of deep foundation pit ［J］. Journal of Civil and Environmental Engineering ， 2023 ， 45 （ 3 ）： 16 - 23 . （in Chinese）

Wei X ， Cheng S ， Chen R ， et al . ANN deformation prediction model for deep foundation pit with considering the influence of rainfall ［J］. Scientific Reports ， 2023 ， 13 （ 1 ）： 22664 .

汤俊，李垠健，高鑫 . 基于CEEMDAN的GNSS变形监测去噪方法［J］. 大地测量与地球动力学， 2021 ， 41 （ 4 ）： 408 - 412 .

Tang J ， Li Y j ， Gao X . GNSS deformation monitoring denoising method based on CEEMDAN ［J］. Journal of Geodesy and Geodynamics ， 2021 ， 41 （ 4 ）： 408 - 412 . （in Chinese）

Cao Y ， Zhou X ， Yan K . Deep Learning neural network model for tunnel ground surface settlement prediction based on sensor data ［J］. Mathematical Problems in Engineering ， 2021 ， 1 （ 2021 ）： 9488892 .

Torres M E ， Colominas M A ， Schlotthauer G ， et al . A complete ensemble empirical mode decomposition with adaptive noise ［C］∥ Prague： 2011 IEEE International Conference on Acoustics， Speech and Signal Processing . IEEE ， 2011 ： 4144 - 4147 .

Xue J ， Shen B . A novel swarm intelligence optimization approach： sparrow search algorithm ［J］. Systems Science & Control Engineering ， 2020 ， 8 （ 1 ）： 22 - 34 .

Huang G B ， Zhu Q Y ， Siew C K . Extreme learning machine： Theory and applications ［J］. Neurocomputing ， 2006 ， 70 （ 1-3 ）： 489 - 501 .

Hochreiter S ， Schmidhuber J . Long short-term memory ［J］. Neural Computation ， 1997 ， 9 （ 8 ）： 1735 - 1780 .

刘国彬，刘登攀，刘丽雯，等 . 基坑坑底施工阶段围护墙变形监测分析［J］. 岩石力学与工程学报， 2007 ， 26 （增2 ）： 4386 - 4394 .

Liu G B ， Liu D P ， Liu L W ， et al . Monitoring and analysis of lateral deformation of retaining wall during bottom excavation in deep pit ［J］. Chinese Journal of Rock Mechanics and Engineering ， 2007 ， 26 （ Sup2 ）： 4386 - 4394 . （in Chinese）

唐宇峰，胡光忠，周帅 . 动态残差修正LSTM算法的突发型滑坡位移预测［J］. 中国安全科学学报， 2023 ， 33 （ 8 ）： 109 - 116 .

Tang Y F ， Hu G Z ， Zhou S . Displacement prediction of sudden landslide based on dynamic residual correction LSTM algorithm ［J］. China Safety Science Journal ， 2023 ， 33 （ 8 ）： 109 - 116 . （in Chinese）

薛永安，邹友峰，陈文涛，等 . 变分模态分解与集成增强的残余变形组合预测［J］. 测绘科学， 2024 ， 49 （ 7 ）： 9 - 20 .

Xue Y A ， Zou Y F ， Chen W T ， et al . Combined prediction of residual deformation in old goaf by variational modal decomposition and integrated enhancement ［J］. Science of Surveying and Mapping ， 2024 ， 49 （ 7 ）： 9 - 20 . （in Chinese）

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

建筑地震响应的视觉监测与虚拟现实验证

基于改进YOLOv8的隧道渗漏水轻量化检测

RISP系统在2018年台湾海峡M_S6.2地震序列中的应用研究

基于人工智能技术的钝体尾流时空预报

基于GCN⁃LSTM组合模型的基坑钢支撑轴力时空序列预测