Prediction of California bearing ratio (CBR) av finkorniga jordar med AI-metoder

framsteg inom artificiell intelligens (AI) erbjuder möjligheter att använda nya algoritmer och modeller som gör det möjligt för forskare att lösa de mest komplexa systemen. Liksom inom andra tekniska områden har AI-metoder i stor utsträckning använts inom geoteknik. Osannolikt verkar det ganska otillräckligt antal undersökningar relaterade till användningen av AI-metoder för uppskattning av Kaliforniens lagerförhållande (CBR). Det fanns faktiskt några försök att utveckla prediktionsmodeller för CBR, men de flesta av dessa modeller var i huvudsak statistiska korrelationer. Ändå producerar många av dessa statistiska korrelationsekvationer i allmänhet otillfredsställande CBR-värden. Detta dokument är dock sannolikt en av de allra första undersökningarna som syftar till att undersöka tillämpligheten av AI-metoder för förutsägelse av CBR. I detta sammanhang användes artificiellt neuralt nätverk (ANN) och genuttrycksprogrammering (GEP) för förutsägelse av CBR av finkorniga jordar från Sydöstra Anatolien/Turkiet. Med hjälp av CBR-testdata för finkorniga jordar utvecklas några korrekta modeller framgångsrikt. Resultaten har visat att både ANN och GEP har visat sig kunna lära sig sambandet mellan CBR och grundläggande markegenskaper. Dessutom utförs känslighetsanalys och det visar sig att maximal torr enhetsvikt (yd) är den mest effektiva parametern på CBR bland de andra som plasticitetsindex (PI), optimalt fuktinnehåll (wopt), sandinnehåll (er), lera + siltinnehåll (C + S), vätskegräns (LL) respektive grusinnehåll (g).