欧祝明, 蒋陆乐, 谢剑, 李攀, 仇乾乾, 任建, 戴崇源, 曾少翔,
2025, 53(4): 392.
当历史监测数据不足时，现有深度学习方法难以准确预测基坑开挖早期变形。为解决这一问题，提出了一种基于迁移学习的基坑地连墙侧移预测模型。首先利用相邻源域基坑地连墙侧移数据作为源域，预训练卷积长短期记忆神经网络模型（Convolutional long short-term memory, ConvLSTM）;然后使用目标域基坑的少量数据对预训练模型部分网络进行微调；最后通过不断将新获得的目标域数据插入预测模型，实现从基坑开挖早期就能准确预测基坑地连墙侧移的目标。依托杭州市某基坑工程，验证了笔者迁移学习模型在历史监测数据不足时，模型性能显著优于未使用迁移学习的神经网络。决定系数R2提高了0.561,均方误差（Mean square error, MSE）降低了2.609 mm2,平均绝对误差（Mean absolute error, MAE）减少了0.802 mm。此外，微调数据集大小会对预测结果产生显著影响，在一定范围内，扩大微调数据集大小可提升模型预测准确性。
