挡土墙变形的时空预测：通过多分辨率ConvLSTM堆叠集成减轻误差累积
机器学习
2026-05-25 v2
摘要
本研究提出了一个多分辨率卷积长短期记忆集成框架，该框架利用多样化的时间输入分辨率来减轻误差累积，并改进分阶段开挖过程中挡土结构行为的长期预测。通过PLAXIS2D模拟生成了一个广泛的侧向墙体位移响应数据库，该模拟包含了五层土壤地层、两种开挖深度（14米和20米）以及随机变化的岩土和结构参数，产生了2000个时间序列挠度剖面。使用一个全连接神经网络元学习器集成了三个在不同输入分辨率下训练的ConvLSTM模型，以构建集成模型。使用数值结果和现场测量数据的验证表明，集成方法始终优于单独的ConvLSTM模型，特别是在长期多步预测中，表现出减少的误差传播和改进的泛化能力。这些发现强调了多分辨率集成策略的潜力，该策略联合利用多样化的时间输入尺度，以增强AI驱动岩土工程预测中的预测稳定性和准确性。
引用
@article{arxiv.2603.10453,
title = {Spatio-Temporal Forecasting of Retaining Wall Deformation: Mitigating Error Accumulation via Multi-Resolution ConvLSTM Stacking Ensemble},
author = {Jihoon Kim and Heejung Youn},
journal= {arXiv preprint arXiv:2603.10453},
year = {2026}
}
备注
27 pages, 17 figures