Field Validation of a Multi-Resolution ConvLSTM Framework for Retaining Wall Deformation Prediction

📄 arXiv: 2606.05556v1 📥 PDF

作者: Jihoon Kim, Heejung Youn

分类: cs.LG

发布日期: 2026-06-04

备注: 40 Pages, 15 figures

💡 一句话要点

提出多分辨率ConvLSTM框架以预测挡土墙变形

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 挡土墙变形 多分辨率 ConvLSTM 时空预测 土木工程 数值模拟 现场监测

📋 核心要点

  1. 现有的挡土墙变形预测方法在处理复杂的开挖条件时，往往面临准确性不足和适应性差的问题。
  2. 本研究提出了一种多分辨率ConvLSTM框架，通过堆叠集成不同时间分辨率的模型，增强了对时空特征的捕捉能力。
  3. 实验结果显示，该框架在多达5.0米的额外开挖情况下，平均绝对误差仅为1.4毫米，表现出优越的预测性能。

📝 摘要（中文）

本研究全面验证了一种多分辨率卷积长短期记忆（ConvLSTM）框架，用于预测分阶段开挖过程中的挡土墙变形。该框架在高斯噪声增强的数值模拟数据上进行训练，并通过堆叠集成策略整合了不同时间分辨率的ConvLSTM模型。研究使用来自韩国11个开挖现场的34个倾斜计的现场监测数据进行验证，系统评估了各个现场的预测性能，分析了时间变形不规则性和时空预测特性对模型性能的影响。结果表明，该框架能够在额外开挖5.0米的情况下，平均绝对误差为1.4毫米，决定系数为0.93，显示出该框架在多样化的现场开挖条件下也能实现可靠的预测准确性。

🔬 方法详解

问题定义：本研究旨在解决在分阶段开挖过程中，挡土墙变形预测的准确性不足和适应性差的问题。现有方法在复杂的现场条件下往往无法提供可靠的预测结果。

核心思路：本研究的核心思路是采用多分辨率ConvLSTM框架，通过集成不同时间分辨率的模型，增强对时空特征的捕捉能力，从而提高预测的准确性和鲁棒性。

技术框架：整体架构包括数据预处理、模型训练和预测三个主要阶段。首先，使用高斯噪声增强的数值模拟数据进行模型训练；然后，通过堆叠集成策略整合不同时间分辨率的ConvLSTM模型；最后，利用现场监测数据进行模型验证和性能评估。

关键创新：本研究的关键创新在于提出了多分辨率ConvLSTM框架，并通过堆叠集成策略有效提高了模型对时空特征的捕捉能力。这一方法与传统单一分辨率模型相比，显著提升了预测性能。

关键设计：在模型设计中，采用了适应性损失函数和优化算法，以提高训练效率和预测准确性。同时，模型的超参数设置经过系统调优，以确保在不同开挖条件下的稳定性和可靠性。

📊 实验亮点

实验结果表明，该框架在额外开挖5.0米的情况下，平均绝对误差为1.4毫米，决定系数达到0.93，显示出优越的预测性能。这些结果表明，尽管模型仅在数值模拟数据上训练，但在实际开挖条件下依然能够实现高水平的预测准确性。

🎯 应用场景

该研究的多分辨率ConvLSTM框架可广泛应用于土木工程领域，尤其是在挡土墙和其他结构物的变形监测与预测中。其可靠的预测能力将为工程设计和施工提供重要的决策支持，降低安全风险，提升工程效率。未来，该框架还可扩展至其他复杂的工程监测场景，如隧道开挖和地基沉降等。

📄 摘要（原文）

This study presents a comprehensive field validation of a multi-resolution Convolutional Long Short-Term Memory (ConvLSTM) framework for predicting retaining wall deformation during staged excavation. The framework is trained on Gaussian noise-augmented numerical simulations and integrates ConvLSTM models operating at different temporal resolutions through a stacking ensemble strategy. The proposed framework is validated using field monitoring data from 34 inclinometers across 11 excavation sites in South Korea. Site-wise prediction performance is systematically evaluated using multiple evaluation metrics, with analyses of the influence of temporal deformation irregularity and spatiotemporal prediction characteristics on model performance. The results demonstrate that the framework predicts retaining wall deformation associated with up to 5.0 m of additional excavation with an average mean absolute error of 1.4 mm and a coefficient of determination of 0.93 across the excavation sites. These results indicate that the framework, although trained exclusively on numerically simulated and augmented database, can be effectively applied to diverse field excavation conditions and achieve a reliable level of prediction accuracy in practical retaining wall deformation prediction.