a Previsão da Califórnia bearing ratio (CBR) de solos de granulação fina por AI métodos

Avanços no campo da inteligência artificial (AI) oferece oportunidades de utilização de novos algoritmos e modelos que permitam resolver os mais complexos sistemas. Como em outros campos de engenharia, métodos de IA têm sido amplamente utilizados na engenharia geotécnica. Improvável, parece haver um número bastante insuficiente de pesquisas relacionadas com o uso de métodos de IA para a estimativa do rácio de rolamentos da Califórnia (CBR). Houve, na verdade, algumas tentativas de desenvolver modelos de Previsão para CBR, mas a maioria desses modelos eram essencialmente correlações estatísticas. No entanto, muitas destas equações de correlação estatísticas geralmente produzem valores de CBR insatisfatórios. No entanto, este artigo é provavelmente uma das primeiras pesquisas que visa investigar a aplicabilidade dos métodos de IA para a previsão do CBR. Neste contexto, rede neural artificial (ANN) e programação de expressão genética (GEP) foram aplicadas para a predição do CBR de solos de grãos finos da Região Sudeste da Anatólia/Turquia. Utilizando dados de testes CBR de solos de grãos finos, alguns modelos adequados são desenvolvidos com sucesso. Os resultados mostraram que tanto o ANN como o GEP são capazes de aprender a relação entre o CBR e as propriedades básicas do solo. Além disso, é realizada uma análise de sensibilidade e verifica-se que o peso unitário seco máximo (yd) é o parâmetro mais eficaz no CBR, entre outros, como o índice de plasticidade (PI), o teor de humidade óptimo (wopt), o teor de areia (S), o teor de argila + silt (C + S), o limite líquido (LL) e o teor de cascalho (G), respectivamente.