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

postępy w dziedzinie sztucznej inteligencji (AI) oferują możliwości wykorzystania nowych algorytmów i modeli, które umożliwiają badaczom rozwiązywanie najbardziej złożonych systemów. Podobnie jak w innych dziedzinach inżynierii, metody AI są szeroko stosowane w inżynierii geotechnicznej. Mało prawdopodobne, wydaje się, że nie ma wystarczającej liczby badań związanych z wykorzystaniem metod sztucznej inteligencji do szacowania California bearing ratio (CBR). W rzeczywistości próbowano opracować modele predykcji dla CBR, ale większość z tych modeli była zasadniczo korelacjami statystycznymi. Niemniej jednak, wiele z tych równań korelacji statystycznej zazwyczaj generuje niezadowalające wartości CBR. Jednak ten artykuł jest prawdopodobnie jednym z pierwszych badań, które mają na celu zbadanie możliwości zastosowania metod sztucznej inteligencji do przewidywania CBR. W tym kontekście sztuczna sieć neuronowa (ANN) i programowanie ekspresji genów (GEP) zostały zastosowane do przewidywania CBR drobnoziarnistych gleb z południowo-wschodniej Anatolii/Turcji. Korzystając z danych testowych CBR gleb drobnoziarnistych, niektóre właściwe modele są z powodzeniem opracowywane. Wyniki wykazały, że zarówno ANN, jak i GEP są w stanie poznać związek między CBR a podstawowymi właściwościami gleby. Dodatkowo, wykonywana jest analiza wrażliwości i stwierdzono, że maksymalna sucha masa jednostkowa (yd) jest najskuteczniejszym parametrem na CBR, między innymi, takim jak wskaźnik plastyczności (PI), optymalna zawartość wilgoci (wopt), zawartość piasku (s), zawartość gliny + mułu (C + S), limit cieczy (LL) I ZAWARTOŚĆ żwiru (g).