为了提高围岩变形预测精度,实时掌握变形状态,预防围岩变形破坏,保障施工安全。针对传统围岩变形预测方法训练效率低、收敛速度慢、泛化能力弱等问题,提出了一种基于GRU神经网络的地下洞室围岩变形时序预测方法,构建了相应的围岩变形预测框架流程。结合白鹤滩右岸地下厂房围岩变形监测数据进行预测,并将其与长短期记忆(LSTM)神经网络算法预测结果进行对比分析。结果表明:GRU神经网络模型能够较好地解决地下洞室围岩变形预测问题,具有结构简单、参数量相对较少、训练及收敛速度快、预测精度高等优势。与LSTM神经网络算法预测结果相比,模型训练时长降幅超过70%,预测误差降低幅度高达50%以上,累计最大变形的相对误差小于0.3%,绝对误差小于0.9 mm的概率高达95%,最大绝对误差仅为2.05 mm。
