Vorhersage des California Bearing Ratio (CBR) von feinkörnigen Böden mit KI-Methoden

Fortschritte auf dem Gebiet der künstlichen Intelligenz (KI) bieten Möglichkeiten zur Nutzung neuer Algorithmen und Modelle, mit denen Forscher die komplexesten Systeme lösen können. Wie in anderen Ingenieursbereichen wurden KI-Methoden in der Geotechnik weit verbreitet eingesetzt. Unwahrscheinlich, es scheint eine unzureichende Anzahl von Forschungsarbeiten im Zusammenhang mit der Verwendung von KI-Methoden zur Schätzung des California Bearing Ratio (CBR) zu geben. Es gab tatsächlich einige Versuche, Vorhersagemodelle für CBR zu entwickeln, aber die meisten dieser Modelle waren im Wesentlichen statistische Korrelationen. Dennoch ergeben viele dieser statistischen Korrelationsgleichungen im Allgemeinen unbefriedigende CBR-Werte. Dieses Papier ist jedoch wahrscheinlich eine der ersten Forschungsarbeiten, die darauf abzielt, die Anwendbarkeit von KI-Methoden zur Vorhersage von CBR zu untersuchen. In diesem Zusammenhang wurden künstliche neuronale Netze (ANN) und Genexpressionsprogrammierung (GEP) zur Vorhersage des Wachstums von feinkörnigen Böden aus der Region Südostanatolien/Türkei eingesetzt. Unter Verwendung der Testdaten von feinkörnigen Böden werden einige geeignete Modelle erfolgreich entwickelt. Die Ergebnisse haben gezeigt, dass sowohl ANN als auch GEP in der Lage sind, die Beziehung zwischen CBR und grundlegenden Bodeneigenschaften zu lernen. Zusätzlich wird eine Empfindlichkeitsanalyse durchgeführt, und es wird festgestellt, dass das maximale Trockeneinheitsgewicht (yd) der effektivste Parameter für CBR ist, unter anderem wie Plastizitätsindex (PI), optimaler Feuchtigkeitsgehalt (wopt), Sandgehalt (S), Ton + Schlickgehalt (C + S), Flüssigkeitsgrenze (LL) und Kiesgehalt (G).