Soil characterization, CBR modeling, and spatial variability analysis for road subgrade: a case study of Danchuwa – Jajere Road, Yobe State, Nigeria
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, R2 = 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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 | 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 ».