Pullout capacity of small ground anchors by direct cone penetration test methods and neural networks
Notice bibliographique
Résumé
Marquees are temporary light structures that are connected to the ground by small anchors that act in tension and are designed to resist uplift forces. Due to the temporary nature of these structures, little, if any, attention is given to the pullout capacity of the anchors used to secure them. Failures of such structures are not rare and have resulted in deaths and tens of thousands of dollars of damage. This paper reports on a series of 119 in situ anchor pullout tests conducted on rough mild steel anchors of various lengths, cross-sectional shapes, and areas. Comparison tests are carried out to investigate the impact of the factors affecting the pullout capacity of small anchors. Six methods that determine the axial pile capacity directly from cone penetration test (CPT) data are presented and used to calculate the pullout capacity of small ground anchors. The capacities obtained from these CPT-based methods are compared with predictions from a recently developed artificial neural network (ANN) model. The actual pullout loads are compared with predictions from the CPT and ANN methods, and statistical analyses are carried out to evaluate and rank their performance. The results indicate that the ANN-based method provides superior predictions of the pullout capacity of small ground anchors, whereas the Schmertmann method provides the best performance of the CPT-based techniques examined.Key words: ground anchors, pullout capacity, cone penetration test, artificial neural networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».