Vorhersage der Bodenverdichtungsparameter mit Hilfe von Maschinenlernmodellen

Die maximale Trockendichte (MDD) und der optimale Wassergehalt (OMC) sind zwei wichtige Parameter der Bodenfüllung, die die Bodenstabilität und Tragfähigkeit beeinflussen und somit die Zuverlässigkeit und Haltbarkeit von Einrichtungen wie Autobahnen und Brücken. Daher ist es wichtig, vernünftige Vorhersagen für OMC und MDD zu treffen. In diesem Papier werden vier Maschinenlernalgorithmen, nämlich Support Vector Machine (SVM), Künstliches Neurales Netzwerk (ANN), Random Forest (RF) und Extreme Gradient Boosting Tree (XGBoost), zur Etablierung von Vorhersagemodellen für MDD und OMC verwendet. Nach dem Training und Testen werden die besten Modelle der vier Algorithmen verglichen. Die Ergebnisse zeigen, dass XGBoost als Ensemble-Lernalgorithmus das beste Modell zur Vorhersage von MDD und OMC ist, mit einem R2 von 0,9234 für OMC und einem R2 von 0,9098 für MDD. Schließlich zeigt die Analyse der Merkmalswichtigkeit, dass die plastische Grenze (PL) und die flüssige Grenze (LL) die zwei Merkmale sind, die OMC und MDD am meisten beeinflussen. Die Vorhersage der Bodenverdichtungsparameter mit Hilfe von Maschinenlernmodellen, insbesondere des Ensemble-Lernens, kann die Menge an Laborarbeit erheblich reduzieren und die Effizienz der Optimierung des Designs für die Nutzung von Bodenressourcen im Ingenieurbau verbessern.