A practical machine learning-based approach for predicting 1-D vertical swelling potential of expansive soils
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
Several lightly loaded geotechnical and transportation infrastructures such as residential buildings, pipelines, roads, and railways have significant swelling potential challenges when they are placed on or within expansive soils. Reliable measurements of swelling potential of expansive soils are possible using conventional oedometer tests; however, their use in conventional practice is limited because they are time-consuming and costly. Several empirical equations have been proposed in the literature to alleviate these limitations; however, their applicability is limited for region-specific soils for which they have been developed. To overcome these limitations, in this study three machine learning-based prediction models were developed using a comprehensive global database of 173 expansive soils. The models, developed using Multivariate Adaptive Regression Splines and Multilayer Perceptron algorithms, show strong performance on the compiled dataset, with coefficients of determination (R 2 ) of 0.887 or higher. Among them is a simplified model expressed as an explicit equation that requires clay fraction, dry density, plasticity index, specific gravity, vertical load, and water content information that performs well with an R 2 of 0.964. Most importantly, the model provides reasonable estimations of several case studies from various regions of the world. In summary, the model serves as a reliable tool for estimating the in-situ swelling potential of expansive soils. Finally, this study results are promising for proposing heave mitigation strategies and to develop rational design procedures and maintenance measures for lightly loaded geotechnical and transportation infrastructure.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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