A framework for estimating the matric suction in unsaturated soils using multiple artificial intelligence techniques
Notice bibliographique
Résumé
Abstract Implementation of the state‐of‐the‐art understanding of the mechanics of unsaturated soils into geotechnical engineering practice is partly limited due to the lack of quick, reliable, and economical techniques for matric suction measurement. Matric suction is one of the key stress state variables that significantly influences the hydro‐mechanical behavior of unsaturated soils. In this paper, to address this objective, two artificial intelligence (AI) models were developed for estimating matric suction in unsaturated soils based on the particle swarm optimization support vector regression (PSO‐SVR) and multivariate adaptive regression spline (MARS) algorithms. The results suggest that both these models can reasonably estimate matric suction. Compared to the MARS model, the PSO‐SVR model can achieve higher accuracy. Nonetheless, the MARS model facilitates the sensitivity analysis and the selection of essential inputs. A novel integrated framework is proposed and validated, leveraging the strengths, and alleviating the limitations of the PSO‐SVR and MARS algorithms for reliable and rapid estimation of matric suction in the range of 0–1500 kPa for low plastic soils (0 < Ip ≤ 7). Six inputs are required to use this model successfully; some can be measured using conventional laboratory tests, and others can be calculated from mass‐volume relationships.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».