Desarrollo de un modelo predictivo de las propiedades mecánicas del suelo usando redes neuronales artificiales

IF 0.1 Q4 ENGINEERING, MULTIDISCIPLINARY
Frank Jesus Valderrama Purizaca, S. M. Muñóz Perez, Victor A. Tuesta-Monteza, Heber Ivan Mejía-Cabrera
{"title":"Desarrollo de un modelo predictivo de las propiedades mecánicas del suelo usando redes neuronales artificiales","authors":"Frank Jesus Valderrama Purizaca, S. M. Muñóz Perez, Victor A. Tuesta-Monteza, Heber Ivan Mejía-Cabrera","doi":"10.21501/21454086.4042","DOIUrl":null,"url":null,"abstract":"Determinar las propiedades del suelo es una tarea necesaria pero costosa en el diseño de pavimentos, por dicha razón, en este estudio se desarrollaron cuatro redes neuronales artificiales (RNA) basadas en perceptrón multicapa para predecir la máxima densidad seca (MDD), el óptimo contenido de humedad (OMC), el valor de la relación de soporte de California (CBR) al 95% de la MDD y el CBR al 100% de la MDD, respectivamente. El método considera un dataset con 285 ejemplos, definición de arquitectura base mediante optimización bayesiana y validación cruzada, modificación de la arquitecturay los hiperparámetros para mejorar el desempeño. Las RNA se entrenaron considerando 3000 épocas, función ReLU,tasa de aprendizaje, dropout; fueron evaluadas con el coeficiente de correlación (R) y el error cuadrático medio (MSE) y predijeron la MDD con R=0,90, OMC con R=0,87, CBR al 95% con R=0,92, CBR al 100% con R=0,89, respectivamente, demostrando que los modelos son eficientes para predecir las propiedades del suelo.","PeriodicalId":53826,"journal":{"name":"Revista Digital Lampsakos","volume":null,"pages":null},"PeriodicalIF":0.1000,"publicationDate":"2021-12-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Revista Digital Lampsakos","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.21501/21454086.4042","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"ENGINEERING, MULTIDISCIPLINARY","Score":null,"Total":0}
引用次数: 0

Abstract

Determinar las propiedades del suelo es una tarea necesaria pero costosa en el diseño de pavimentos, por dicha razón, en este estudio se desarrollaron cuatro redes neuronales artificiales (RNA) basadas en perceptrón multicapa para predecir la máxima densidad seca (MDD), el óptimo contenido de humedad (OMC), el valor de la relación de soporte de California (CBR) al 95% de la MDD y el CBR al 100% de la MDD, respectivamente. El método considera un dataset con 285 ejemplos, definición de arquitectura base mediante optimización bayesiana y validación cruzada, modificación de la arquitecturay los hiperparámetros para mejorar el desempeño. Las RNA se entrenaron considerando 3000 épocas, función ReLU,tasa de aprendizaje, dropout; fueron evaluadas con el coeficiente de correlación (R) y el error cuadrático medio (MSE) y predijeron la MDD con R=0,90, OMC con R=0,87, CBR al 95% con R=0,92, CBR al 100% con R=0,89, respectivamente, demostrando que los modelos son eficientes para predecir las propiedades del suelo.
利用人工神经网络建立土壤力学特性预测模型
确定土壤是一项必要但昂贵的工作属性在路面的设计中,由于这个原因,本研究开发四个基于多层人工神经网络(能),以预测最高干密度开发(MDD)、最佳水分含量(世贸组织),加州支持关系的价值(CBR) 95% MDD和CBR分别覆盖100%的MDD。该方法考虑了一个包含285个示例的数据集,通过贝叶斯优化和交叉验证定义基本架构,修改架构和超参数以提高性能。RNA训练考虑3000次,重读函数,学习速率,下降;采用相关系数(R)和均方误差(MSE)对模型进行了评价,分别预测了MDD (R = 0.90)、OMC (R = 0.87)、95% CBR (R = 0.92)和100% CBR (R = 0.89)。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
Revista Digital Lampsakos
Revista Digital Lampsakos ENGINEERING, MULTIDISCIPLINARY-
自引率
0.00%
发文量
0
审稿时长
12 weeks
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信