Soil characterization, CBR modeling, and spatial variability analysis for road subgrade: a case study of Danchuwa – Jajere Road, Yobe State, Nigeria
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Road construction projects require a thorough understanding of soil properties to ensure the stability and longevity of the infrastructure. This study investigates soil properties along a proposed 34 km road alignment in Yobe State, Nigeria, to characterize soil variability for road construction and develop a predictive model for California Bearing Ratio (CBR). Of the 34 soil samples analyzed, 30 were classified as A-3(1) and four as A-1(1) according to the AASHTO system. Geotechnical testing, including particle size distribution (grading percentages: gravel 0.02%–75.34%, sand 15.5%–90.88%, fines 8.92%–34.84%), Atterberg limits (liquid limits 17%–33%, plastic limits 14%–27%, plasticity index <12%), specific gravity (2.01 to 2.73), compaction (maximum dry density 1.83–2.19 Mg m −3 , optimum moisture content 7.29%–14.42%), and CBR tests (values ranging from 5%–62%), were conducted. Correlation analyses revealed strong positive relationships between maximum dry density (r = 0.82) and specific gravity (r = 0.89) with CBR values. Cluster analysis segmented the samples into four distinct groups: Cluster 0 (11 samples), Cluster 1 (9 samples), Cluster 2 (5 samples), and Cluster 3 (9 samples). A linear regression model predicted CBR using maximum dry density and specific gravity (mean squared error = 9.82, R 2 = 0.92). Based on CBR criteria, 8 out of 34 samples (CBR 20%–53%) satisfied subbase requirements, while none met the recommended minimum CBR of 80% for base course materials. This study enhances road construction planning through soil variability analysis, effective soil categorization via cluster analysis, and a reliable CBR prediction model. While on-site materials are unsuitable for subgrade and subbase layers, alternative materials or ground improvement techniques are recommended for the base course layer to enhance bearing capacity.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 découle