Predicción de la relación de rodamientos de California (CBR) de suelos de grano fino por métodos de IA

Los avances en el campo de la inteligencia artificial (IA) ofrecen oportunidades de utilizar nuevos algoritmos y modelos que permiten a los investigadores resolver los sistemas más complejos. Al igual que en otros campos de la ingeniería, los métodos de IA se han utilizado ampliamente en la ingeniería geotécnica. Es poco probable que haya un número bastante insuficiente de investigaciones relacionadas con el uso de métodos de IA para la estimación de la relación de rodamiento de California (CBR). En realidad, hubo algunos intentos de desarrollar modelos de predicción para la RBC, pero la mayoría de estos modelos eran esencialmente correlaciones estadísticas. Sin embargo, muchas de estas ecuaciones de correlación estadística generalmente producen valores de RBC insatisfactorios. Sin embargo, este artículo es probablemente una de las primeras investigaciones que tiene como objetivo investigar la aplicabilidad de los métodos de IA para la predicción de la RBC. En este contexto, se aplicaron la red neuronal artificial (ANN) y la programación de expresión génica (GEP) para la predicción de la RBC de suelos de grano fino de la región sudeste de Anatolia/Turquía. Utilizando datos de pruebas CBR de suelos de grano fino, se desarrollan con éxito algunos modelos adecuados. Los resultados han demostrado que tanto el ANN como el GEP son capaces de aprender la relación entre el CBR y las propiedades básicas del suelo. Además, se realiza un análisis de sensibilidad y se encuentra que el peso unitario seco máximo (yd) es el parámetro más efectivo en el RBC entre otros, como el índice de plasticidad (PI), el contenido óptimo de humedad (wopt), el contenido de arena (S), el contenido de arcilla + limo (C + S), el límite de líquido (LL) y el contenido de grava (G), respectivamente.