a finomszemcsés talajok Kaliforniai csapágyarányának (CBR) előrejelzése AI módszerekkel

a mesterséges intelligencia (AI) területén elért eredmények lehetőséget kínálnak új algoritmusok és modellek felhasználására, amelyek lehetővé teszik a kutatók számára a legösszetettebb rendszerek megoldását. Mint más mérnöki területeken, az AI módszereket is széles körben alkalmazták a geotechnikai mérnöki munkában. Valószínűtlennek tűnik, hogy meglehetősen elégtelen számú kutatás kapcsolódik az AI módszerek használatához a kaliforniai csapágyarány (CBR) becsléséhez. Valójában voltak kísérletek a CBR előrejelzési modelljeinek kidolgozására, de ezeknek a modelleknek a többsége lényegében statisztikai korreláció volt. Ennek ellenére sok ilyen statisztikai korrelációs egyenlet általában nem kielégítő CBR értékeket eredményez. Ez a cikk azonban valószínűleg az egyik legelső kutatás, amelynek célja az AI módszerek alkalmazhatóságának vizsgálata a CBR előrejelzésére. Ebben az összefüggésben a mesterséges neurális hálózatot (ANN) és a génexpressziós programozást (gep) alkalmazták a Délkelet-anatóliai régióból/Törökországból származó finomszemcsés talajok CBR előrejelzésére. A finomszemcsés talajok CBR-tesztadatainak felhasználásával néhány megfelelő modellt sikeresen kifejlesztettek. Az eredmények azt mutatták, hogy mind az ANN, mind a GEP képes megtanulni a CBR és az alapvető talajtulajdonságok közötti kapcsolatot. Ezenkívül érzékenységi elemzést végeznek, és megállapítást nyer, hogy a maximális száraz egységtömeg (YD) a CBR leghatékonyabb paramétere a többi között, mint pl plaszticitási index (PI), optimális nedvességtartalom (wopt), homoktartalom (ok), agyag + iszaptartalom (C + S), folyadékhatár (LL) és kavicstartalom (G).