การประมาณค่า CBR ของดินโดยโครงข่ายประสาทเทียม
Article Sidebar
Main Article Content
บทคัดย่อ
การทดสอบค่าซีบีอาร์ (CBR) ในห้องปฏิบัติเป็นงานยากลำบาก ใช้เวลานาน และมีราคาแพง ส่งผลให้มีการพัฒนาแบบจำลองเชิงทำนายโดยใช้การวิเคราะห์การถดถอยเชิงเส้นพหุคูณ (MLRA) และโครงข่ายประสาทเทียม (ANN) ในการศึกษานี้ ค่าสัมประสิทธิ์การตัดสินใจต่ำในชุดการทดสอบที่ได้รับจาก MLRA ซึ่งใช้กรวด ทราย ดัชนีพลาสติก และปริมาณความชื้นที่เหมาะสมเป็นตัวแปรต้น อย่างไรก็ตาม แบบจำลอง ANN ที่พัฒนาขึ้นอย่างเหมาะสม คือ แบบจำลอง 5 ซึ่งใช้ปริมาณดินมวลละเอียด ดัชนีพลาสติก ปริมาณความชื้นที่เหมาะสม และความหนาแน่นแห้งสูงสุดเป็นตัวแปรต้น แบบจำลอง 5 มีค่าสัมประสิทธิ์การตัดสินใจค่อนข้างสูงในชุดการทดสอบ ค่า CBR ที่ถูกทำนายโดยใช้ ANN จะถูกเปรียบเทียบกับค่า CBR ที่ถูกทำนายโดย MLRA ผลลัพธ์แสดงให้เห็นว่า ANN มีประสิทธิภาพสูงกว่า MLRA และแบบจำลอง 5 สามารถถูกนำมาใช้ได้เพราะค่าความเชื่อถือได้มีค่าสูง ดังนั้นสูตรใหม่ที่ได้จาก ANN ได้ถูกนำเสนอสำหรับการทำนายค่า CBR สูตรใหม่นี้เป็นประโยชน์สำหรับการออกแบบเบื้องต้นในงานดินที่มีข้อจำกัดภายใต้งบประมาณ และเวลาที่จำกัด
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Agarwal, K.B. and Ghanekar, K.D. 1970. Prediction of CBR from plasticity characteristics of soil. In: Proceeding of 2nd south-east Asian conference on soil engineering, Singapore. June 11–15. 1970. Bangkok: Asian Institute of Technology. 571–576.
Basma, A. A. and Kallas, N. 2004. Modeling soil collapse by artificial neural networks. Geotech. 22: 427–438.
Bhatt, S., Jain, P. K., and Pradesh, M. 2014. Prediction of California bearing ratio of soils using artificial neural network. AIJRSTEM. 8(2): 156–161.
Cybenko, G. 1989. Approximation by superpositions of a sigmoidal function. MCSS. 3: 303-314.
Das, S. K. and Basudhar, P. 2008. Prediction of residual friction angle of clay artificial neural network. Eng Geol. 142–145.
Erzin, Y., Rao, B. H., Patel, A., Gumaste, S.D., and Singh, D.N. 2008. Artificial neural networks for predicting soil thermal resistivity. Int J Therm Sci, 47: 1347–1358.
Erzin, Y. and Gunes, N. 2011.The prediction of swell percent and swell pressure by using neural networks. Comput. 16(2): 425–436.
Erzin, Y. and Turkoz, D. 2016, Use of neural networks for the prediction of the CBR value of some Aegean sands. Neural Comput. 27: 1415–1426.
Gunaydin, O., Gokoglu, A., and Fener, M. 2010. Prediction of artificial soil’s unconfined compression strength test using statistical analyses and artificial neural networks. Adv. Eng. Softw. 41: 1115–1123.
González Farias, I., Araujo, W., and Ruiz, G. 2018. Prediction of California Bearing Ratio from Index Properties of Soils Using Parametric and Non-parametric Models. Geotech. 36: 3485–3498.
Hecht-Nielsen, R. 1989. Theory of the back-propagation neural network. In: Proceedings of the International Joint Conference on Neural Networks, Washington. DC. 593–605.
Khandelwal, M. and Singh, TN. 2009. Prediction of blast-induced ground vibration using artificial neural network. International Journal of Rock Mechanics and Mining Sciences. 46(7): 1214–1222.
National Cooperative Highway Research Program. 2001. Guide for mechanistic and empirical – design for new and rehabilitated pavement structures. final document. In: Appendix CC-1: correlation of CBR values with soil ındex properties. West University Avenue Champaign, Illinois: Ara, Inc.
Pala, M. 2006. A new formulation for distortional buckling stress in cold-formed steel members. J Constr Steel Res. 62: 716-722.
Ramasubbarao, G. V. and Sankar, G. S. 2013. Predicting Soaked CBR Value of Fine Grained Soils Using Index and Compaction Characteristics. Jordan J. Civ. Eng. 7(3): 354–360.
Rakaraddi, P. G. and Gomarsi, V. 2015. Establishing relationship between CBR with different soil properties. Int. Res. J. Eng. Technol. 4(2): 182–188.
Rehman, A.U., Farooq, K., Mujtaba, H., and Altaf, O. 2015. Estimation of California bearing ratio (CBR) from index properties and compaction characteristics of coarse grained soil. Sci. Int. Lahore 27(6): 6207–6210.
Rehman, A.U., Farooq, K., and Mujtaba, H. 2017. Prediction of California bearing ratio (CBR) and compaction characteristics of granular soils. Acta Geotech. Slov. 14(1): 62–72.
Shahin, M.A. and Jaksa, M. 2002. Artificial neural network-based settlement prediction formula for shallow foundations on granular soils. Australian Geomechanics, 45–52.
Shahin, M.A. 2015. A review of artificial intelligence applications in shallow foundations. Int. J. Geotech. 9: 49-60.
Taskiran, T. 2010. Prediction of California bearing ratio (CBR) of fine grained soils by AI methods. Adv. Eng. Softw. 41(6): 886–892.
Taha, S., Gabr, A. and El-Badawy, S. 2019. Regression and Neural Network Models for California Bearing Ratio Prediction of Typical Granular Materials in Egypt. Arab J Sci Eng. 44: 8691–8705.
Wai, K. M. 2006. California bearing ratio correlation with soil index properties master of engineering (civil–geotechnics). Faculty of Civil Engineering, University Teknology Malaysia.
Yildirim, B. and Gunaydin, O. 2011. Estimation of California bearing ratio by using soft computing systems. Expert Syst. Appl. 38(5): 6381– 6391.
