Predikce Kalifornie ložiska poměr (CBR) jemnozrnné půdy AI metody

Pokroky v oblasti umělé inteligence (AI) nabízí možnosti využití nových algoritmů a modelů, které umožní vědcům řešit ty nejsložitější systémy. Stejně jako v jiných inženýrských oborech se metody AI široce používají v geotechnickém inženýrství. Je nepravděpodobné, že se zdá být poměrně nedostatečný počet výzkumů souvisejících s použitím metod AI pro odhad Kalifornského poměru ložisek (CBR). Tam byly vlastně některé pokusy vyvinout Predikční modely pro CBR, ale většina z těchto modelů byly v podstatě statistické korelace. Nicméně, mnoho z těchto statistických korelačních rovnic obecně produkuje neuspokojivé hodnoty CBR. Tento článek je však pravděpodobně jedním z prvních výzkumů, jejichž cílem je prozkoumat použitelnost metod AI pro predikci CBR. V této souvislosti byly použity umělé neuronové sítě (ANN) a programování genové exprese (GEP) pro predikci CBR jemnozrnných půd z regionu jihovýchodní Anatolie/Turecka. Pomocí CBR zkušebních dat jemnozrnných půd jsou úspěšně vyvinuty některé správné modely. Výsledky ukázaly, že ANN i GEP jsou schopny se naučit vztah mezi CBR a základními vlastnostmi půdy. Navíc, analýza citlivosti se provádí a je zjištěno, že maximální suché jednotka hmotnost (yd) je nejefektivnější parametr na CBR mezi ostatními jako plasticity index (PI), optimální obsah vlhkosti (wopt), obsahu písku (S), hlína + bahno obsah (C + S), kapalina limit (LL) a štěrku obsah (G), resp.