一种基于深度学习的盾构荷载预测方法

本发明涉及一种基于深度学习的盾构荷载预测方法，该方法首先对盾构施工历史荷载、地质及隧道结构数据进行小波降噪；其次，将数据重组输入融合多注意力机制的CNN模型，在压缩层池化压缩并计算注意力权重，于重构层更新输入矩阵，再经卷积操作提取空间特征向量，将该向量输入融合注意力机制的TCN模型，通过因果卷积和膨胀卷积提取并优化时间特征，获得优化时间依赖性特征，基于此特征计算盾构推力及扭矩预测值。本发明克服了传统方法通用性差、效率低、难去噪及无法同步捕捉时空特征的不足，提升了复杂地质条件下的荷载预测精度，为施工优化与安全提供支持。