Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phát triển các phương trình dự đoán cho mô đun đàn hồi của đất bằng cách sử dụng học máy tiến hóa
Transportation Infrastructure Geotechnology - Trang 1-23 - 2023
Tóm tắt
Mô đun đàn hồi của đất (MR) là yếu tố thiết yếu trong thiết kế mặt đường. Tham số này được xác định thông qua một bài thử nghiệm triaxial lặp lại tốn kém và mất thời gian. Do đó, các nghiên cứu trước đây chủ yếu tập trung vào việc triển khai các mô hình học máy (ML) phức tạp và có thể giải thích để dự đoán MR trực tiếp từ các tham số của đất. Tuy nhiên, các mô hình hiện tại phụ thuộc vào học máy kiểu 'hộp đen', đánh đổi khả năng giải thích, hoặc các phương pháp lập trình di truyền (GP) truyền thống với vấn đề thiếu độ phù hợp. Nghiên cứu này giới thiệu một phương pháp sáng tạo sử dụng Thuật toán di truyền cấu trúc quần thể lớp thích ứng (ALPS-GA) để phát triển các mô hình dự đoán MR chính xác và hoàn toàn có thể giải thích cho các loại đất kết dính. Với mục đích này, một tập dữ liệu đất đã được lấy từ tài liệu với 891 điểm dữ liệu cho các lớp đất A-4, A-6, và A-7-6. Ba phương trình dự đoán MR đã được phát triển cho mỗi lớp đất, và hiệu suất của mỗi phương trình đã được đánh giá bằng cách sử dụng hệ số xác định (R2), sai số bình phương gốc (RMSE), và sai số tuyệt đối trung bình (MAE). R2 cho các mô hình đã phát triển dao động từ 0,91 đến 0,93 cho tập kiểm tra; RMSE dao động từ 7,10 đến 8,63 MPa, và MAE dao động từ 5,10 đến 7,2 MPa, cho thấy các mô hình có độ chính xác cao. Một phân tích độ thiên lệch-độ biến thiên đã được thực hiện cho các mô hình được đề xuất, và kết luận rằng chúng không có xu hướng quá khớp (overfit) hay thiếu khớp (underfit) dữ liệu, khác với các mô hình trước đó. Cuối cùng, một phân tích độ nhạy đã được thực hiện để điều tra tác động của từng tham số đất đến MR cho mỗi loại đất.
Từ khóa
#mô đun đàn hồi #đất kết dính #học máy #thuật toán di truyền #dự đoán mô hìnhTài liệu tham khảo
AASHTO: Guide for mechanistic-empirical design of new and rehabilitated pavement structure. AASHTO, Washington, DC (2004)
AASHTO MEPDG-2: Mechanistic-empirical pavement design guide: a manual of practice. AASHTO, Washington, DC (2015)
AASHTO MEPDG-3: Mechanistic-empirical pavement design guide: a manual of practice. AASHTO, Washington, DC (2020)
AASHTO T307: Determining the resilient modulus of soils and aggregate materials. AASHTO, Washington, D.C. (1999)
ARA (Applied Research Associates) Inc.: Guide for mechanistic empirical pavement design of new and rehabilitated pavement structures. Federal Highway Administration, Washington, DC (2004)
A. Azam, A. Bardhan, . M. R. Kaloop, . P. Samui, F. Alanazi, M. Alzara and A. M. Yosri , "Modeling resilient modulus of subgrade soils using LSSVM optimized with swarm intelligence algorithms." Scientific Reports, 2022
Dong-Gyou, M.S.K.: Development of a constitutive model for resilient modulus of cohesive soils. The Ohio State University (2004)
Elias, M., Titi, H.: Evaluation of resilient modulus model parameters for mechanistic–empirical pavement design. Transp. Res. Rec. 1967(1), 89–100 (2006). https://doi.org/10.1177/0361198106196700110
George, K.P.: Prediction of resilient modulus from soil index properties. The University Of Mississippi, Mississippi (2004)
Goulet, J.A.: Probabilistic machine learning for civil engineers. The MIT Press (2020)
Hanittinan, W.: Resilient modulus prediction using neural network algorithms. The Ohio State University, Ohio (2007)
Hornby, G.S.: "ALPS: the age-layered population structure for reducing the problem of premature convergence," in 8th annual conference on Genetic and evolutionary computation. USA, New York (2006)
Ikeagwuani, C.C., Nwonua, D.C., Nwekeb, C.C.: Resilient modulus descriptive analysis and estimation for fine-grained soils using multivariate and machine learning methods. Int. J. Pavement. Eng. 23(10), 3409–3424 (2022). https://doi.org/10.1080/10298436.2021.1895993
James, G., Witten, D., Hastie, T., Tibshirani, R.: An introduction to statistical learning. Springer (2013)
Ji, R., Siddiki, N., Nantung, T., Kim, D.: Evaluation of resilient modulus of subgrade and base materials in Indiana and its implementation in MEPDG. The Scientific World Journal (2014)
Khasawneh, M.A., Al-jamal, N.F.: Modeling resilient modulus of fine-grained materials using different statistical techniques. Transportation Geotechnics (2019)
Khoury, N.N., Zaman, M.M.: Correlation between resilient modulus, moisture variation, and soil suction for subgrade soils. Transp. Res. Rec. 1874(1), 99–107 (2004)
Kim, D., Siddiki, N.Z.: Simplification of resilient modulus testing for subgrades. Federal Highway Administration, Indiana (2005)
Langdon, W.B., Poli, R., McPhee, N.F., Koza, J.R.: "Genetic programming: an introduction and tutorial, with a survey of techniques and applications," Studies in Computational Intelligence. Springer (2008)
Lee, W., Bohra, N., Altschaeffl, A., White, T.: Resilient modulus of cohesive soils and the effect of freeze–thaw. Can. Geotech. J. 32(4), 559–568 (1995). https://doi.org/10.1139/t95-059
Lee, W., Bohra, N.C., White, T.D., Altschaeffl, A.G.: Resilient modulus of cohesive soils. J. Geotech. Geoenviron. Eng. 132(2), 131–136 (1997)
Li, D., Selig, E.T.: Resilient modulus for fine-grained subgrade soils. J. Geotech. Eng. 120(6), 939–957 (1994). https://doi.org/10.1061/(ASCE)0733-9410
Malik, S., Wadhwa, S.: Preventing premature convergence in genetic algorithm using DGCA and elitist technique. International Journal of Advanced Research in Computer Science and Software Engineering (2014)
Malla, R.B., Joshi, S.: Subgrade resilient modulus prediction models for coarse and fine-grained soils based on long-term pavement performance data. Int. J. Pavement. Eng. 9(6), 431–444 (2008). https://doi.org/10.1080/10298430802279835
Müller, A.C., Guido, S.: Introduction to machine learning with python. O'Reilly Media (2016)
Nazzal, M.D., Mohammad, L.N.: Estimation of resilient modulus of subgrade soils for design of pavement structures. J. Mater. Civ. Eng. 22(7), 726–734 (2010). https://doi.org/10.1061/(ASCE)MT.1943-5533.0000073
Pal, M., Deswal, S.: Extreme learning machine based modeling of resilient modulus of subgrade soils. Geotech. Geol. Eng. 32, 287–296 (2014). https://doi.org/10.1007/s10706-013-9710-y
Poli, R., Langdon, W.B., McPhee, N.F.: A field guide to genetic programming. Lulu Enterprises Ltd., UK (2008)
Rahman, M.M., Gassman, S.L., Islam, K.M.: Effect of moisture content on subgrade soils resilient modulus for predicting pavement rutting. Geosciences (2023)
Sadik, L., Khoshnevisan, S.: "Simplicity vs complexity in machine learning models – focusing on soil resilient modulus prediction," in Geo-Congress 2024, Vancouver, BC (2024)
Sadrossadat, E., Heidaripanah A., Osouli, S.: "Prediction of the resilient modulus of flexible pavement subgrade soils using adaptive neuro-fuzzy inference systems". Constr. Build. Mater. 123, 235–247 (2016a). https://doi.org/10.1016/j.conbuildmat.2016.07.008
Sadrossadat, E., Heidaripanah, A., Ghorbani, B.: Towards application of linear genetic programming for indirect estimation of the resilient modulus of pavements subgrade soils, pp. 139–153. Road Materials and Pavement Design (2016b)
Su, Y., Cui, Y.-J., Dupla, J.-C., Canou, J.: Effect of water content on resilient modulus and damping ratio of fine/coarse soil mixtures with varying coarse grain contents. Transportation Geotechnics (2021)
Thi Hoang, H.-G., Nguyen, T.-A.: "An artificial intelligence approach to predict the resilient modulus of subgrade pavement or unbound material," in 6th International Conference on Geotechnics. Civil Engineering and Structures (2021)
Tokar, A., Johnson, P.: Rainfall-runoff modeling using artificial neural networks. J. Hydrol. Eng. 4(3), 232–239 (1999). https://doi.org/10.1061/(ASCE)1084-0699
Turney, S.: 2023 "Coefficient of determination (R2) | calculation & interpretation". 3 July 2023. [Online]. Available: https://www.scribbr.com/statistics/coefficient-of-determination/. Accessed 7 Oct 2023
Willis, M.J., Hiden, H., Marenbach, P., McKay, B., Montague, G.: Genetic programming: an introduction and survey of applications. Genetic ALgorithms in Engineering Systems : Innovations And Applications, Glasgow (1997)
Zwan, J.V.D.: Machine learning techniques. Bookdown Publishing (2021)