.png){kind=icon}
返回
An Artificial Intelligence-Based Data-Driven Method for Predicting Soil Shear Strength
.png){kind=icon}
OA
AI
DOI：10.3390/app16041700.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确预测土壤抗剪强度对于安全和经济的岩土工程设计至关重要。本研究探讨了四种机器学习（ML）模型——随机森林（RF）、决策树（DT）、人工神经网络（ANN）和支持向量回归（SVR）——在利用实验室获取的岩土数据预测巴 Hir Dar 市土壤抗剪强度中的应用。共收集了 298 个土壤样本和 13 个岩土参数，深度范围为 0.13-35 米，包括扰动和未扰动条件。数据集被分为训练集（80%）和测试集（20%），模型使用优化后的超参数进行训练。RF 模型达到了最高的精度（R2 = 0.9992，RMSE = 0.0983），其次是 DT（R2 = 0.9974，RMSE = 0.1812）。ANN 和 SVR 的预测精度较低，SVR 表现出最大的最大误差。预测值与实际值的绘图、核密度估计以及每样本绝对误差分析证实，基于树模型提供了最可靠的预测，而 ANN 和 SVR 出现了间歇性的较大偏差。SHAP 分析表明，粘聚力、黏土含量和塑性指数是预测抗剪强度的最重要因素。结果表明，集成基于树的 ML 模型为岩土预测提供了一种稳健且准确的工具，能够捕捉土壤行为中的复杂非线性关系。
Keyword:
machine learning
soil shear strength
cohesion
Atterberg limits
grain-size distribution
Random Forest
data-driven modeling
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
.png){kind=icon}
Artificial intelligence-based predictive models for shear wave velocity of soils: A comprehensive review基于人工智能的土体剪切波速预测模型：一项综合综述
PREAI
分享收藏
查看更多内容