Prediction of soil type and standard penetration test (SPT) value in Khulna City, Bangladesh using general regression neural network
Notice bibliographique
Résumé
In this study, a general regression neural network (GRNN) is developed for predicting soil type and standard penetration test (SPT) N (standard penetration resistance) values based on SPT test results. It focuses on soils mainly in Khulna City, Bangladesh that comprise fine-grained alluvium deposits of mostly silt and clay with some organic content and sand. A detailed geological and geotechnical investigation of the city and its surroundings was conducted to generalize the subsoil condition of the study area based on soil type and SPT values. The investigation results showed that the city is divided into four geological units and three geotechnical zones. To develop the GRNN model, more than 2326 field SPT values ( N ) have been collected from 42 clusters containing 143 boreholes spread over an area of 37 km 2 . Two trained models were developed: initially the borehole locations were trained with the soil types and after that the borehole location-soil types were trained with the N c values. The model prediction was compared with the borehole data and the results showed that the GRNN model predicts well compared with the actual site investigation data. Therefore, this model can be used for future planning and expansion of the city.
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 | 0,000 |
| 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 ».