Prediction of California bearing ratio (CBR) of fine grained soils by AI methods

Advances in field of artificial intelligence (AI) tarjoaa mahdollisuuksia hyödyntää uusia algoritmeja ja malleja, joiden avulla tutkijat voivat ratkaista monimutkaisimpia järjestelmiä. Kuten muillakin tekniikan aloilla, tekoälyn menetelmiä on käytetty laajasti geoteknisessä tekniikassa. Epätodennäköistä on, että TEKOÄLYMENETELMIEN käyttöön liittyvää tutkimusta Kalifornian kantavuussuhteen (CBR) arvioimiseksi on aivan riittämätöntä. Oli itse asiassa joitakin yrityksiä kehittää ennustemalleja CBR, mutta useimmat näistä malleista olivat lähinnä tilastollisia korrelaatioita. Monet näistä tilastollisista korrelaatioyhtälöistä tuottavat kuitenkin yleensä epätyydyttäviä CBR-arvoja. Tämä paperi on kuitenkin todennäköisesti yksi ensimmäisistä tutkimuksista, jonka tarkoituksena on tutkia tekoälyn menetelmien sovellettavuutta CBR: n ennustamisessa. Tässä yhteydessä käytettiin artificial neural network (ANN) – ja gene expression programming (GEP) – ohjelmia (artificial neural network) Kaakkois-Anatolian alueen/Turkin hienorakeisen maaperän CBR: n ennustamiseen. Hienorakeisten maa-ainesten CBR – testitulosten avulla on onnistuttu kehittämään joitakin asianmukaisia malleja. Tulokset ovat osoittaneet, että sekä ANN että GEP pystyvät oppimaan CBR: n ja maaperän perusominaisuuksien välisen suhteen. Lisäksi tehdään herkkyysanalyysi ja todetaan, että suurin kuiva-ainepaino (yd) on CBR: n tehokkain parametri muiden joukossa, kuten plastisuus-indeksi (PI), optimaalinen kosteuspitoisuus (wopt), hiekkapitoisuus (S), savi + siltti-pitoisuus (C + S), nesteraja (LL) ja sorapitoisuus (G).