Estimating resilient modulus of subgrade soils using bagging-based ensemble model
Tóm tắt: 15
| 
PDF: 16 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
mô-đun đàn hồi
đất nền
phương pháp học máy
mô hình bagging
mạng lưới nơ-ron nhân tạo
Tóm tắt
Mô đun đàn hồi của nền đất dùng để mô tả ứng xử của kết cấu áo đường. Nó được sử dụng như một thông số thiết yếu để đánh giá độ tin cậy của thiết kế và sự làm việc hiệu quả của kết cấu áo đường. Xác định chính xác mô đun đàn hồi cho phép biết trước trạng thái của đất nền dưới tác dụng của tải trọng. Bài báo này giới thiệu mô hình bagging để tính toán mô đun đàn hồi của đất nền. Các mô hình đơn lẻ và mô hình bagging được xây dựng từ bốn mô hình cơ sở gồm: artificial neural network (ANN), support vector regression (SVR), classification and regression tree (CART), và linear regression (LR). Độ chính xác của các mô hình bagging được so sánh với các mô hình đơn lẻ thông qua tỷ lệ sai số. Kết quả phân tích cho thấy mô hình bagging dựa trên ANN vượt trội hơn so với các mô hình khác. Bài báo này vì vậy cung cấp một giải pháp nhanh chóng và tin cậy trong việc tính toán mô đun đàn hồi của đất nền.
Tài liệu tham khảo
-
[1] AASHTO, Mechanistic-empirical pavement design guide: A manual of practice, 2008: Washington, DC.
[2] Carmichael III, R.F. and E. Stuart, "Predicting resilient modulus: A study to determine the mechanical properties of subgrade soils", Transportation Research Record, 1985, 1043: p. 145–148.
[3] George , K.P., Prediction of resilient modulus from soil index properties, 2004, Mississippi Dept. of Transportation, Univ. of Mississippi: Oxford, MS.
[4] Sadrossadat, E., A. Heidaripanah, and S. Osouli, "Prediction of the resilient modulus of flexible pavement subgrade soils using adaptive neuro-fuzzy inference systems", Construction and Building Materials, 2016, 123: p. 235-247.
[5] Singh, K.P., S. Gupta, and P. Rai, "Identifying pollution sources and predicting urban air quality using ensemble learning methods", Atmospheric Environment, 2013, 80: p. 426-437.
[6] Chou, J.-S., et al., "Machine learning in concrete strength simulations: Multi-nation data analytics", Construction and Building Materials, 2014, 73: p. 771-780.
[7] Breiman, L., Bagging predictors. Machine Learning, 1996. 24(2): p. 123-140.
[8] Solanki, P., M. Zaman, and A. Ebrahimi, "Regression and Artificial Neural Network Modeling of Resilient Modulus of Subgrade Soils for Pavement Design Applications", in Intelligent and Soft Computing in Infrastructure Systems Engineering, 2009, Springer Berlin Heidelberg, p. 269-304.
[9] Nazzal, M.D. and O. Tatari, "Evaluating the use of neural networks and genetic algorithms for prediction of subgrade resilient modulus", International Journal of Pavement Engineering, 2013, 14(4): p. 364-373.
[10] Chou, J.-S. and A.-D. Pham, "Smart Artificial Firefly Colony Algorithm-Based Support Vector Regression for Enhanced Forecasting in Civil Engineering", Computer-Aided Civil and Infrastructure Engineering, 2015, 30(9): p. 715–732.
[11] Vapnik, V.N., The nature of statistical learning theory, 1995, New York: Springer-Verlag.
[12] Breiman, L., et al., Classification and Regression Trees, 1984, New York: Chapman and Hall/CRC.
[13] R., K., "A study of cross-validation and bootstrap for accuracy estimation and model selection", in International joint conference on artificial intelligence, 1995, Morgan Kaufmann, p. 1137–43.
[14] Park, H.I., G.C. Kweon , and S.R. Lee, "Prediction of Resilient Modulus of Granular Subgrade Soils and Subbase Materials using Artificial Neural Network", Journal Road Materials and Pavement Design, 2009, 10(3): p. 647–665.
Xem thêm
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
May 31, 2017
Download
Cách trích dẫn
Thi Thu Ha Truong, Vo Duyen Anh Huynh. “Nbsp”;. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 5, số p.h 114, Tháng Năm 2017, tr 6-10, https://jst-ud.vn/jst-ud/article/view/2821.
