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

I progressi nel campo dell’intelligenza artificiale (AI) offrono opportunità di utilizzare nuovi algoritmi e modelli che consentono ai ricercatori di risolvere i sistemi più complessi. Come in altri campi ingegneristici, i metodi AI sono stati ampiamente utilizzati nell’ingegneria geotecnica. Improbabile, sembra che ci sia un numero abbastanza insufficiente di ricerche relative all’uso di metodi AI per la stima del rapporto cuscinetto della California (CBR). Ci sono stati in realtà alcuni tentativi di sviluppare modelli di previsione per CBR, ma la maggior parte di questi modelli erano essenzialmente correlazioni statistiche. Tuttavia, molte di queste equazioni di correlazione statistica generalmente producono valori CBR insoddisfacenti. Tuttavia, questo documento è probabilmente una delle prime ricerche che mira a indagare l’applicabilità dei metodi AI per la previsione del CBR. In questo contesto, la rete neurale artificiale (ANN) e la programmazione dell’espressione genica (GEP) sono state applicate per la previsione del CBR di terreni a grana fine dalla regione sud-orientale dell’Anatolia/Turchia. Utilizzando i dati di test CBR di terreni a grana fine, alcuni modelli appropriati sono stati sviluppati con successo. I risultati hanno dimostrato che sia l’ANN che il GEP sono in grado di apprendere la relazione tra CBR e proprietà di base del suolo. Inoltre, viene eseguita un’analisi di sensibilità e si scopre che il peso unitario massimo a secco (yd) è il parametro più efficace su CBR tra gli altri come indice di plasticità (PI), contenuto di umidità ottimale (wopt), contenuto di sabbia (S), contenuto di argilla + limo (C + S), limite liquido (LL) e contenuto di ghiaia (G) rispettivamente.