《ADVANCED ENGINEERING INFORMATICS》：Dynamic sequential and non-sequential learning for predicting diaphragm wall deflection and ground subsidence in deep excavation of building construction
编辑推荐：
地铁深开挖变形预测中提出ASSA-NN-RGFT框架，通过双流架构（RGFT处理时间序列数据，NN处理非时间数据）结合元启发式优化自动调参，实现3.54%和5.78%的最低误差率及高相关系数，经十项目验证有效率达85.42%。
程敏媛|阿赫迈德·F·K·基塔姆|吴国全|应一帆
台湾国立科技大学土木与建筑工程系，10607，基隆路4段43号，台北，台湾
摘要
随着中国城市地铁基础设施的扩展，深基坑开挖变得越来越普遍。在建设快速轨道交通（MRT）车站建筑过程中，预测开挖过程中的变形至关重要，因为过度的位移可能导致严重的经济和安全后果。传统的数值方法和现有的AI模型无法同时处理时变和时不变因素，这限制了它们的预测准确性和适应性。为了解决这个问题，本研究提出了一种新颖的人工卫星搜索算法-神经网络-旋转门傅里叶变换（ASSA-NN-RGFT）框架，该框架具有三个关键创新点：（1）双流架构，分别通过RGFT的频域分析和NN处理序列数据和非序列数据；（2）旋转机制，执行带有交叉注意力的迭代FFT-iFFT变换，捕捉传统循环模型遗漏的周期性变形模式；（3）基于ASSA的自动化超参数优化，消除了手动校准的需要。该模型经过训练，可用于预测隔墙变形和地面沉降，是实时变形监测和预警的理想工具。与六种先进的AI模型相比，所提出的ASSA-NN-RGFT取得了最佳的整体性能，误差最小（隔墙位移：MAPE = 3.54%；地面沉降：MAPE = 5.78%），相关性指标最高（隔墙位移：R2 = 0.952；地面沉降：R2 = 0.842）。在十个MRT项目中的实际验证表明，该模型对隔墙位移的预测准确率为85.42%，对地面沉降的平均误差为5.89%。ASSA-NN-RGFT模型出色的预测性能、动态适应性和强大的可靠性证明了其作为开挖风险管理决策支持系统的可行性。
引言
中国城市的快速城市化和地铁系统的建设导致深基坑工程数量增加，尤其是在东部沿海的软土地区[1]。开挖过程通常分为支撑结构安装和土壤开挖两个阶段，变形风险最高的时间段是在开挖完成与下一个支撑系统安装之间。隔墙变形和地表沉降是开挖引发风险的关键指标。地质条件的复杂性和开挖深度的增加显著加剧了与变形相关的故障风险。目前，监测方法主要依赖于事后的观察和主观评估，这往往会导致响应时间延迟，无法及时采取必要的预防措施。
目前，有限元方法（FEM）[2]、离散元方法（DEM）[3]以及FEM-DEM混合方法等数值分析方法被广泛用于模拟受开挖应力影响的土-结构系统的物理行为。然而，这些方法存在一些缺点和局限性。尽管FEM被广泛采用，但它高度依赖于本构模型的准确性，而这些模型可能无法完全捕捉到开挖应力下异质土壤的复杂非线性行为。此外，FEM的结果对网格质量和边界条件假设非常敏感，且在处理大规模或三维问题时计算量较大[3]。DEM在模拟颗粒材料方面效果良好，但在处理粘性土壤时面临挑战，因为需要单独模拟每个颗粒[4]。DEM中的参数校准也非常复杂，因为许多微观力学性质无法直接测量。FEM-DEM混合技术虽然结合了两种方法的优点，但在算法耦合和接口处理方面增加了复杂性，这通常会导致数值不稳定和额外的计算成本[5]。
近年来，人工智能（AI）作为预测深基坑变形的有前景的方法出现，相关文献中探索了一系列模型，从传统的机器学习（ML）技术到更先进的深度学习（DL）架构。然而，尽管这些方法越来越受欢迎，但现有的AI模型在预测准确性、对不同现场条件的适应性和动态学习能力方面仍存在局限性。
为了解决这些局限性并应对AI的最新进展，本研究提出了一个用于预测深基坑变形的强大模型。首先，通过广泛的文献回顾和统计相关性分析来确定影响这种变形的关键因素。接下来，开发了一种称为人工卫星搜索算法-神经网络-旋转门傅里叶变换（ASSA-NN-RGFT）的新混合方法。与传统预测模型不同，该框架结合了神经网络（NN）来处理高维非序列数据，以及旋转门傅里叶变换（RGFT）来有效处理序列输入。这种双输入架构旨在增强快速轨道交通（MRT）车站建筑中深基坑变形的早期检测，以支持及时采取干预措施和有效管理风险。此外，开发的模型还集成了ASSA（一种最近开发的元启发式优化技术）[6]，以微调深度学习模型的超参数并最小化预测误差。该预测系统在真实世界开挖数据上进行了训练和验证，并具有动态权重调整功能，从而提高了学习效率和预测准确性。与现有的AI模型相比，ASSA-NN-RGFT框架（1）不会统一处理所有变量而忽略时间依赖性；（2）能够充分表示频域循环行为；（3）不依赖手动超参数调整。本研究在岩土工程和AI驱动的变形预测方面做出了几项重要贡献，包括：
- 1.
本研究开创了一种结合时变和非时变变量的混合建模方法。通过元启发式算法实现的动态时频学习和自适应权重调整，有效捕捉了深基坑场景中的复杂模式。
- 2.
所采用的方法论包括文献回顾、相关性分析和优化深度学习框架的开发。
- 3.
本研究使用的基于实际现场数据的深基坑变形案例数据库为模型训练、验证和未来应用提供了坚实的实证基础。
- 4.
开发的模型可以直接作为预测工具用于主动风险缓解，使工程师和项目经理能够及早识别潜在的变形并及时采取预防或纠正措施。
先前相关研究和当前知识空白
过去十年中，许多研究探索了深基坑变形估计/预测的各种建模方法，如表1所示，这些方法大致可以分为非AI和基于AI的方法。在非AI类别中，大多数方法采用数值技术，如FEM [7]、[8]、[9]、[10]、[11]、[12]、[13]、[14]、DEM [15]、[16]、[17]以及FEM-DEM混合方法 [18]、[19]、[20]、[21]、[22]、[23]、[24]、[25]，通常通过这些方法进行实现。
方法论
本节描述了用于开发ASSA-NN-RGFT模型以预测深基坑变形的全面方法论框架。详细介绍了整个工作流程，从数据收集和准备开始，然后是模型开发和性能评估。该方法论结构系统化，以确保透明度和可重复性，清晰地展示了提出的方法是如何工作的。
案例研究
案例研究使用了来自中国东南部一个沿海城市十个与MRT车站建设相关的深基坑项目的广泛数据集。这些项目都在人口密集的城市环境中进行，开挖工作主要涉及软粘土土壤。每个项目的详细监测记录包括不同开挖阶段的隔墙变形和地表沉降观测数据。
结论
本研究开发了一种新颖的混合深度学习框架——人工卫星搜索算法-神经网络-旋转门傅里叶变换（ASSA-NN-RGFT），用于预测深基坑变形。为了解决现有预测方法的关键局限性，所开发的模型引入了三项主要创新。首先，双流架构分别且最优地处理序列数据和非序列数据。神经网络分支能够捕捉复杂的非线性行为。
CRediT作者贡献声明
程敏媛：撰写——审稿与编辑、验证、监督、资源管理、方法论、调查、数据整理、概念化。
阿赫迈德·F·K·基塔姆：撰写——初稿撰写、可视化、验证、软件开发、方法论、形式分析。
吴国全：撰写——审稿与编辑、可视化、验证、软件开发、方法论、形式分析。
应一帆：撰写——初稿撰写、可视化、软件开发、方法论、调查、形式分析。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
