Predicting the compression index of expansive soils with hybrid machine learning approaches
Notice bibliographique
Résumé
Expansive soils pose significant challenges for geo-infrastructure design, construction, and maintenance because of their moisture-induced volume changes. Despite extensive research on swelling behavior, the compression index ( C c ), an important indicator of soil compressibility has received relatively limited attention. C c is conventionally obtained from time-consuming and costly consolidation tests, while empirical equations derived from general clays may not provide reliable estimates for expansive soils. To address this gap, seven machine learning models based on five algorithms were developed to estimate the C c of expansive soils using soil properties readily obtained from conventional laboratory tests. A comprehensive dataset comprising 238 expansive soil samples, compiled from 60 years of published literature across various regions of the world, is employed to train and validate the proposed models. Among them, Model 2 based on Newton-Raphson-Based Optimizer optimized Extreme Gradient Boosting (NRBO-XGBoost) achieved the best performance, with a coefficient of determination ( R 2 ) of 0.903 and a root mean square error (RMSE) of 0.029 on the test set. Sensitivity analysis showed that the plasticity index was the most influential factor (31.1 %), followed by liquid limit (29.4 %), initial void ratio (25.3 %), and dry density (14.1 %), highlighting its primary influence on soil compressibility. Additionally, a simplified equation derived from the Multilayer Perceptron (MLP) designated as Model 4 is validated through three case studies. The settlement predictions deviated by 5–14 % from field measurements, offering a practical tool without the need for machine learning techniques. The findings provide useful guidance for developing rational design strategies for geo-infrastructures affected by expansive soils.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».