La prédiction du rapport de roulement en Californie (CBR) des sols à grains fins par des méthodes d’IA

Les progrès dans le domaine de l’intelligence artificielle (IA) offrent la possibilité d’utiliser de nouveaux algorithmes et modèles qui permettent aux chercheurs de résoudre les systèmes les plus complexes. Comme dans d’autres domaines de l’ingénierie, les méthodes d’IA ont été largement utilisées en génie géotechnique. Peu probable, il semble que le nombre de recherches liées à l’utilisation de méthodes d’IA pour l’estimation du rapport de roulement de Californie (CBR) soit assez insuffisant. Il y a eu en fait quelques tentatives pour développer des modèles de prédiction pour la CBR, mais la plupart de ces modèles étaient essentiellement des corrélations statistiques. Néanmoins, bon nombre de ces équations de corrélation statistique produisent généralement des valeurs CBR insatisfaisantes. Cependant, cet article est probablement l’une des toutes premières recherches visant à étudier l’applicabilité des méthodes d’IA pour la prédiction de la RCB. Dans ce contexte, le réseau de neurones artificiels (ANN) et la programmation de l’expression génique (GEP) ont été appliqués pour la prédiction de CBR de sols à grains fins de la région de l’Anatolie du Sud-Est / Turquie. En utilisant les données de test CBR des sols à grains fins, certains modèles appropriés sont développés avec succès. Les résultats ont montré que l’ANN et le GEP sont capables d’apprendre la relation entre le CBR et les propriétés de base du sol. De plus, une analyse de sensibilité est effectuée et il est constaté que le poids unitaire sec maximal (yd) est le paramètre le plus efficace sur CBR parmi d’autres tels que l’indice de plasticité (PI), la teneur en humidité optimale (wopt), la teneur en sable (S), la teneur en argile + limon (C + S), la limite de liquide (LL) et la teneur en gravier (G) respectivement.