保持壁の時空間変形予測: マルチ解像度 ConvLSTM スタッキング・アンサンブルによる誤差蓄積の緩和
arXiv cs.LG / 2026/3/12
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- この論文は、異なる入力解像度で学習した3つのモデルをメタ学習器と組み合わせるマルチ解像度 ConvLSTM アンサンブルフレームワークを提案し、段階的掘削中の保持壁変形の長期予測を改善します。
- PLAXIS2D シミュレーションから得られた、5層の地盤層序、2つの掘削深さ（14 m および 20 m）、および確率的パラメータ変動を取り入れて、2,000 本の時系列変位プロファイルから成る大規模データセットを構築しました。
- このアンサンブルは、個々の ConvLSTM モデルを一貫して上回り、特に長期の多段予測において、誤差蓄積を低減し、一般化を強化します。
- 数値結果と現場測定の双方を用いた検証は、多様な時間スケールにわたって AI 主導の地盤工学予測を改善する可能性を示す、マルチ解像度アンサンブル戦略の有用性を強調しています。
本研究は、多様な時系列入力解像度を活用して、誤差蓄積を緩和し、段階的掘削中の保持構造の長期予測を改善するマルチ解像度ConvLSTMアンサンブルフレームワークを提案する。PLAXIS2Dシミュレーションにより、5層の地盤層序、2つの掘削深さ（14mおよび20m）、および地質・構造パラメータの確率的変動を取り入れた lateral wall displacement responses の大規模データベースを生成し、2,000本の時系列変位プロファイルを得た。異なる入力解像度で訓練された3つのConvLSTMモデルを、全結合ニューラルネットワークのメタ学習器を用いて統合し、アンサンブルモデルを構築した。数値結果と現場測定の両方を用いた検証により、アンサンブル手法は単独のConvLSTMモデルを一貫して上回り、特に長期のマルチステップ予測において、誤差伝搬の抑制と一般化の改善を示した。これらの知見は、多様な時系列入力スケールを共同で活用するマルチ解像度アンサンブル戦略が、AI主導の地盤工学予測の予測安定性と精度を高める可能性を強調している。
