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

Advanced in field of artificial intelligence (AI) biedt mogelijkheden om nieuwe algoritmen en modellen te gebruiken die onderzoekers in staat stellen de meest complexe systemen op te lossen. Net als in andere technische gebieden, zijn AI-methoden op grote schaal gebruikt in geotechnische engineering. Onwaarschijnlijk, lijkt er vrij onvoldoende aantal onderzoek met betrekking tot het gebruik van AI-methoden voor de schatting van California bearing ratio (CBR). Er waren eigenlijk enkele pogingen om voorspellingsmodellen voor CBR te ontwikkelen, maar de meeste van deze modellen waren hoofdzakelijk statistische correlaties. Niettemin produceren veel van deze statistische correlatievergelijkingen over het algemeen onbevredigende CBR-waarden. Dit artikel is echter waarschijnlijk een van de allereerste onderzoeken die de toepasbaarheid van AI-methoden voor het voorspellen van CBR willen onderzoeken. In deze context werden artificial neural network (ANN) en gene expression programming (GEP) toegepast voor de voorspelling van CBR van fijnkorrelige bodems uit Zuidoost-Anatolië/Turkije. Met behulp van CBR-testgegevens van fijnkorrelige bodems worden enkele goede modellen met succes ontwikkeld. De resultaten hebben aangetoond dat zowel ANN als GEP in staat zijn om de relatie tussen CBR en basis bodemeigenschappen te leren. Daarnaast wordt een gevoeligheidsanalyse uitgevoerd en wordt vastgesteld dat het maximale droge eenheidsgewicht (yd) de meest effectieve parameter is voor CBR, onder andere de plasticiteitsindex (PI), het optimale vochtgehalte (wopt), het zandgehalte (S), het klei + slibgehalte (C + S), de vloeistofgrens (LL) en het grindgehalte (G).