Prediksjon Av California bearing ratio (CBR) av finkornet jord VED AI metoder

Fremskritt innen kunstig intelligens (AI) gir muligheter for å utnytte nye algoritmer og modeller som gjør det mulig for forskere å løse de mest komplekse systemene. SOM i andre ingeniørfelt HAR AI-metoder mye blitt brukt i geoteknikk. Usannsynlig, synes det ganske utilstrekkelig antall forskning knyttet til bruk AV AI metoder for estimering Av California bearing ratio (CBR). DET var faktisk noen forsøk på å utvikle prediksjonsmodeller FOR CBR, men de fleste av disse modellene var i hovedsak statistiske korrelasjoner. Likevel produserer mange av disse statistiske korrelasjonsligningene generelt utilfredsstillende CBR-verdier. Imidlertid er dette papiret sannsynligvis en av de aller første undersøkelsene som tar sikte på å undersøke anvendelsen AV AI-metoder for prediksjon AV CBR. I denne sammenheng ble artificial neural network (ANN) og gene expression programming (GEP) søkt om prediksjon AV CBR av finkornet jord fra Sørøst-Anatolia-Regionen/Tyrkia. VED HJELP AV CBR-testdata for finkornet jord, er noen riktige modeller vellykket utviklet. Resultatene har vist at BÅDE ANN OG GEP er funnet å kunne lære forholdet mellom CBR og grunnleggende jordegenskaper. I tillegg utføres følsomhetsanalyse, og det er funnet at maksimal tørr vekt (yd) er den mest effektive parameteren på CBR blant de andre som plasticitetsindeks (PI), optimal fuktighetsinnhold (wopt), sandinnhold (Er), leire + silt innhold (C + S), flytende grense (LL) og grusinnhold (G) henholdsvis.