Modeling Soil Pressure-Sinkage Characteristic as Affected by Sinkage rate using Deep Learning Optimized by Grey Wolf Algorithm
Notice bibliographique
Résumé
Due to the numerous variables that may influence the soil-machine interaction systems, predicting the mechanical response of soil interacting with off-road traction equipment is challenging. In this study, deep neural networks (DNNs) are chosen as a potential solution for explaining the varying soil sinkage rates because of their ability to model complex, multivariate, and dynamic systems. Plate sinkage tests were carried out using a Bevameter in a fixed-type soil bin with a 24 m length, 2 m width, and 1 m depth. Experimental tests were conducted at three sinkage rates for two plate sizes, with a soil water content of 10%. The provided empirical data on the soil pressure-sinkage relationship served as the basis for an algorithm capable of discerning the soil-machine interaction. From the iterative process, it was determined that a DNN, specifically a feed-forward back-propagation DNN with three hidden layers, is the optimal choice. The optimized DNN architecture is structured as 3-8-15-10-1, as determined by the Grey Wolf Optimization algorithm. While the Bekker equation had traditionally been employed as a widely accepted method for predicting soil pressure-sinkage behavior, it typically disregarded the influence of sinkage velocity of the soil. However, the findings revealed the significant impact of sinkage velocity on the parameters governing the soil deformation response. The trained DNN successfully incorporated the sinkage velocity into its structure and provided accurate results with an MSE value of 0.0871.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 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 ».