Identifying Soft Soils using Pore-Pressure Parameters: A Machine Learning Approach
Notice bibliographique
Résumé
The cone penetration test (CPT) is a widely used method for identifying soil profiles and estimating soil parameters.Numerous correlations have been established to facilitate geo-characterization of soils based on CPT data.However, caution must be exercised when applying these correlations and laboratory tests should be used to validate them.Tropical residual soils are highly variable, even for seemingly similar samples, which can make it difficult for project designers to accurately characterize them.The present work focuses on a case study where the goal was to distinguish and characterize two soft soils existent on the foundation of a tailings dam in the southwest of Brazil.The construction of the dam is still ongoing, and its foundation belongs to a complex geological environment with soft soils that can reach NSPT blows as low as its own weight.The geological survey identifies two horizons of residual soil of dolomitic phyllite: soft and very soft.However, spatially distinguishing this material regarding its consistence has shown to be a challenging task.Since they differ essentially on the degree of weathering, most parameters for both materials are quite similar, and from laboratory tests, the parameter that helps differentiate these soils is the pore pressure Skempton parameter at failure -Af.Based on these findings, it can be inferred that the pore-pressure parameter Bq in CPT represents the excess pore-pressure during the test, whereas Af describes the excess pore-pressure at failure during triaxial tests.Despite the lack of a currently established theoretical correlation between the two parameters, they can offer valuable insight into the soil's response to rapid loading.Notably, both measures have proven to be effective in distinguishing between residual soils, even though they are distinct measures.In this study, the Bq and Af parameters are employed to classify soils using an unsupervised learning method, specifically the K-means algorithm.The resulting clusters exhibit strong agreement with borehole profiles near the CPT locations.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».