Estimation of the compaction parameters of aggregate base course using artificial neural networks
Notice bibliographique
Résumé
Abstract The process of estimating the compaction parameters namely the maximum dry density (MDD) and optimum moisture content (OMC) through laboratory tests is time-consuming, labor-intensive, and costly. These issues can be avoided by developing prediction models that are able to accurately predict the compaction parameters from index properties that are easier to estimate in the laboratory. As a result, this study focuses on employing artificial neural networks (ANNs) for the prediction of the compaction parameters of aggregate base course samples from the grain size distribution and Atterberg limits. Additionally, different ANNs with different structures were tested in order to set the optimum hyperparameters that minimize the errors in the predictions. Specifically, this study investigates the impact of the number of hidden layers, number of neurons per hidden layer, and activation functions on the performance of the ANNs. Furthermore, the weight decay method, which is the most common regularization technique, was used during the training of the ANNs in order to avoid overfitting and control the changes in the connection weights. The results indicate that the optimum hyperparameter settings changes depending on the optimized output. Additionally, the ReLU activation function is the most stable function that produces the best predictions. Moreover, the results show that ANN approach represents a major innovative tool for accurately predicting the compaction parameters with R2values of 0.826 and 0.911 for predicting the MDD and OMC.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».