Assessment of Driven Pile Ultimate Capacity through Artificial Neural Network Analysis of Cone Penetration Test Data
Notice bibliographique
Résumé
In this research, the application of an artificial neural network (ANN) was employed utilizing cone penetration test (CPT) information to produce an enhanced comprehension of the ultimate load-bearing capacity of piles. The ANN algorithm is independent of correlation assumptions as it uses prior cases/instances to grasp the relationship. A database of eighty pile load tests on squared precast/prestressed concrete (PPC) driven piles and corresponding CPT data was prepared in this regard, in which the ANN models were trained using these data. Feed-forward network techniques such as backpropagation algorithm, Levenberg–Marquardt algorithm were used with trial and error. The cone sleeve friction and corrected cone tip resistance were used to train numerous ANN models. A comparison was made between the prediction of ANN models and three pile-CPT methods, that is, Laboratoire central des pontes et chaussées (LCPC), probabilistic, and University of Florida (UF) methods. The findings of this research exhibited that ANN excels in the evaluation of ultimate capacity of squared PPC piles. A comparison was also made with LCPC, probabilistic, and UF method on the basis of reliability-based load and resistance factor design analysis, which also demonstrates higher resistance factors, ϕ, and superior efficiencies of ANN models over the traditional pile-CPT methods. Consequently, these discoveries reinforce the efficacy of utilizing ANN for assessing the ultimate load-bearing capacity of piles through the interpretation of CPT data.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».