Bayesian Neural Network Prediction and Uncertainty Analysis of Bio‐Cemented Soil Strength
Notice bibliographique
Résumé
ABSTRACT Microbially induced carbonate precipitation (MICP) has emerged as a promising ground improvement technique, with MICP‐treated soils exhibiting substantial enhancements in strength. However, experimental results revealed significant variability in strength outcomes of MICP‐treated soils, even under identical treatment conditions and soil properties. This uncertainty in strength is challenging to capture using traditional predictive approaches such as conventional constitutive models. The present study leverages artificial intelligence to address the challenge by developing a Bayesian neural network (BNN) model for predicting the strength of bio‐cemented soils while considering uncertainty. A dataset comprising 480 experimental samples was used to develop the model. The results indicate that carbonate content and confining pressure emerge as the most influential factors governing the strength of bio‐cemented soils. The BNN model exhibits lower uncertainty when predicting bio‐cemented soils with relatively low strength, while demonstrating higher uncertainty for soils with strength exceeding 2 MPa. Moreover, micromechanical investigations using the discrete element method (DEM) reveal that multiscale factors, including crystal distribution patterns, fabric and spatial heterogeneity of precipitates, contribute significantly to the strength uncertainty of bio‐cemented soils. The developed BNN model provides an alternative tool for predicting bio‐cemented soil strength with quantified reliability, facilitating the design of MICP treatment and its application in geotechnical engineering.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».