forudsigelse af California bearing ratio (CBR) af finkornet jord ved AI-metoder

fremskridt inden for kunstig intelligens (AI) giver muligheder for at udnytte nye algoritmer og modeller, der gør det muligt for forskere at løse de mest komplekse systemer. Som inden for andre ingeniørfelter er AI-metoder i vid udstrækning blevet brugt inden for geoteknisk teknik. Det er usandsynligt, at der forekommer ret utilstrækkeligt antal undersøgelser relateret til brugen af AI-metoder til estimering af California bearing ratio (CBR). Der var faktisk nogle forsøg på at udvikle forudsigelsesmodeller for CBR, men de fleste af disse modeller var i det væsentlige statistiske korrelationer. Ikke desto mindre producerer mange af disse statistiske korrelationsligninger generelt utilfredsstillende CBR-værdier. Imidlertid, dette papir er sandsynligvis en af de allerførste undersøgelser, der sigter mod at undersøge anvendeligheden af AI-metoder til forudsigelse af CBR. I denne sammenhæng blev kunstigt neuralt netværk (ANN) og genekspressionsprogrammering (GEP) anvendt til forudsigelse af CBR af finkornet jord fra det sydøstlige Anatolien/Tyrkiet. Ved hjælp af CBR-testdata for finkornet jord udvikles nogle rigtige modeller med succes. Resultaterne har vist, at både ANN og GEP viser sig at være i stand til at lære forholdet mellem CBR og grundlæggende jordegenskaber. Derudover udføres følsomhedsanalyse, og det konstateres, at maksimal tør Enhedsvægt (yd) er den mest effektive parameter på CBR blandt de andre, såsom plasticitetsindeks (PI), optimalt fugtindhold (vandindhold), sandindhold (er), ler + siltindhold (C + S), væskegrænse (LL) og grusindhold (g) henholdsvis.