地下空间与工程学报

基于GRU神经网络的地下洞室围岩变形预测研究

PDF下载

万晨 ¹^,² , 王兴霞 ³ , 段杭 ⁴ , 郑龙 ⁵ , 黄建文 ³

地下空间与工程学报 | 理论与试验研究 2026,22(2): 448-458

收起

地下空间与工程学报 | 理论与试验研究 2026, 22(2): 448-458

基于GRU神经网络的地下洞室围岩变形预测研究

全屏

万晨¹^,², 王兴霞³, 段杭⁴, 郑龙⁵, 黄建文³

作者信息

^1．湖北省水电工程智能视觉监测重点实验室，湖北宜昌 443002

^2．三峡大学计算机与信息学院，湖北宜昌 443002

^3．水电工程施工与管理湖北省重点实验室，湖北宜昌 443002

^4．中国三峡建工（集团）有限公司，成都 610095

^5．中国葛洲坝集团三峡建设工程有限公司，湖北宜昌 443000

万晨（2000—），男，武汉人，硕士生，主要从事神经网络技术及应用方面的研究。E-mail: ettalwanc@gmail.com

通讯作者:

王兴霞（1980—），女，湖北十堰人，博士，副教授、硕士生导师，主要从事水电工程施工技术方面的研究。E-mail: xxwang@ctgu.edu.cn

Study on the Prediction of Underground Cavern Rock Deformation Based on GRU Neural Network

Chen Wan¹^,², Xingxia Wang³, Hang Duan⁴, Long Zheng⁵, Jianwen Huang³

Affiliations

^1.Hubei Key Laboratory of Intelligent Vision Based Monitoring for Hydroelectric Engineering, Yichang, Hubei 443002, P. R. China

^2.College of Computer and Information Technology, China Three Gorges University, Yichang, Hubei 443002, P. R. China

^3.Hubei Key Laboratory of Construction and Management in Hydropower Engineering, Yichang, Hubei 443002, P. R. China

^4.China Three Gorges Construction Engineering Corporation, Chengdu 610095, P. R. China

^5.China Gezhouba Group Three Gorges Construction Engineering Co., Ltd., Yichang, Hubei 443000, P. R. China

出版时间: 2026-04-20 doi: 10.20174/j.JUSE.2026.02.07

文章导航

摘要

收起

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。

关键词

地下洞室 / 围岩 / 变形预测 / GRU神经网络

Abstract

收起

In order to enhance the prediction accuracy of surrounding rock deformation, enable real-time monitoring of deformation status, prevent deformation failure, and ensure construction safety, a novel underground cavern surrounding rock deformation temporal prediction method based on GRU neural network is proposed to tackle the low training efficiency, slow convergence, and poor generalization of traditional methods, along with the establishment of a corresponding prediction framework. Utilizing monitoring data of surrounding rock deformation from the underground powerhouse on the right bank of the Baihetan Dam, predictions are made and subsequently compared and analyzed with the forecasting results generated by the Long Short-Term Memory (LSTM) neural network algorithm. The results indicate that the GRU neural network model effectively addresses the prediction challenges associated with underground cavern surrounding rock deformation, offering advantages such as simplified structure, relatively fewer parameters, rapid training and convergence rates, and high prediction accuracy. Compared to the predictions derived from the LSTM neural network algorithm, the GRU model demonstrates a reduction in training duration by over 70%, with a corresponding decrease in prediction error of more than 50%. The relative error for cumulative maximum deformation is less than 0.3%, the probability of absolute error less than 0.9 mm is as high as 95%, and the maximum absolute error is only 2.05 mm.

Key words

underground cavern / surrounding rock / deformation prediction / GRU neural network

引用本文

万晨, 王兴霞, 段杭, 郑龙, 黄建文. 基于GRU神经网络的地下洞室围岩变形预测研究. 地下空间与工程学报, 2026 , 22 (2) : 448 -458 . DOI: 10.20174/j.JUSE.2026.02.07

Chen Wan, Xingxia Wang, Hang Duan, Long Zheng, Jianwen Huang. Study on the Prediction of Underground Cavern Rock Deformation Based on GRU Neural Network[J]. Chinese Journal of Underground Space and Engineering, 2026 , 22 (2) : 448 -458 . DOI: 10.20174/j.JUSE.2026.02.07

基金

收起

国家自然科学基金(52009069; 51879147)

参考文献

收起

2026年第22卷第2期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.20174/j.JUSE.2026.02.07

接收时间：2025-01-18
首发时间：2026-06-17
出版时间：2026-04-20

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-01-18

基金

国家自然科学基金(52009069; 51879147)

作者信息

^1．湖北省水电工程智能视觉监测重点实验室，湖北宜昌 443002

^2．三峡大学计算机与信息学院，湖北宜昌 443002

^3．水电工程施工与管理湖北省重点实验室，湖北宜昌 443002

^4．中国三峡建工（集团）有限公司，成都 610095

^5．中国葛洲坝集团三峡建设工程有限公司，湖北宜昌 443000

通讯作者:

王兴霞（1980—），女，湖北十堰人，博士，副教授、硕士生导师，主要从事水电工程施工技术方面的研究。E-mail: xxwang@ctgu.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/dxkjygcxb/CN/10.20174/j.JUSE.2026.02.07

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT