迈普 数学问题在工程 1563 - 5147 1024 - 123 x Hindawi 10.1155 / 2021/4832864 4832864 研究文章 对性能影响的数据分割的机器学习模型预测土壤的抗剪强度 https://orcid.org/0000 - 0001 - 5412 - 797 x 阮 Quang挂 1 https://orcid.org/0000 - 0002 - 8038 - 2381 Ly Hai-Bang 2 https://orcid.org/0000 - 0002 - 6012 - 6460 何 Lanh Si 2 3 https://orcid.org/0000 - 0002 - 6790 - 2653 安 Nadhir 4 https://orcid.org/0000 - 0001 - 6609 - 5215 勒 协福范 5 https://orcid.org/0000 - 0002 - 4157 - 7717 Tran 范全 2 https://orcid.org/0000 - 0002 - 4309 - 0187 普拉卡什 因陀罗 6 https://orcid.org/0000 - 0001 - 9707 - 840 x 范教授 阿萍泰国 2 沈 宥晟 1 Thuyloi大学 河内100000 越南 tlu.edu.vn 2 交通科技大学 河内100000 越南 utt.edu.vn 3 土木与环境工程项目 先进科学与工程研究生院 广岛大学 1-4-1 Kagamiyama Higashi-Hiroshima 广岛739 - 8527 日本 hiroshima-u.ac.jp 4 土木工程系、环境和自然资源的工程 吕勒奥理工大学 971 87吕勒奥 瑞典 ltu.se 5 研究所的研究和发展 Duy谭大学 岘港550000 越南 duytan.edu.vn 6 Bhaskaracharya空间应用和Geo-Informatics研究所(BISAG) Gandhinagar 382002 印度 2021年 8 2 2021年 2021年 24 6 2020年 17 12 2020年 27 1 2021年 8 2 2021年 2021年 版权©2021广挂Nguyen et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

本研究的主要目的是评估和比较不同的机器学习(ML)算法的性能,即人工神经网络(ANN),极端学习机(ELM),和提高树(提高)算法,考虑各种培训的影响在预测土壤抗剪强度测试比率,一个最重要的岩土工程性质在土木工程设计和施工。对于这个目标,一个数据库从长范围内收集的538份土壤样本1电厂项目,越南,是利用生成的数据集建模过程。不同的比率(即。,10/90, 20/80, 30/70, 40/60, 50/50, 60/40, 70/30, 80/20, and 90/10) were used to divide the datasets into the training and testing datasets for the performance assessment of models. Popular statistical indicators, such as Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Correlation Coefficient ( R),是用来评估模型的预测能力在不同的训练和测试比率。此外,蒙特卡罗模拟是同时进行评估提出的性能模型,考虑到随机抽样效果。结果表明,尽管所有三毫升模型表现良好,安最准确,统计1000年之后蒙特卡罗模拟(平均稳定模型 R= 0.9348)与其他模型相比,如提高(的意思 R= 0.9192)和榆树的意思 R= 0.8703)。调查的性能模型表明,毫升的预测能力模型极大地影响了培训/测试比率,70/30的一个模型的最佳性能。本文提供简明,结果显示数据集的有效方式选择合适的比率和最好的ML模型准确地预测土壤抗剪强度,这将有助于建设项目的设计和工程阶段。

 交通运输部 DT 203029 1。介绍

土壤是一个至关重要的材料在土木工程,因为大多数的结构是建立在土壤地面 1]。地面的失败和崩溃的建筑往往是与土壤抗剪强度有关。在不同的加载条件下,土壤抗剪强度,剪切强度,取决于凝聚力,颗粒之间的摩擦,联锁( 1]。土壤的力学性质很复杂因为土壤通常含有不同粒径、含水量高,大孔隙( 1]。土壤抗剪强度是由土壤矿物学等基本参数,上覆岩层压力、含水量、密度、和空白。通常,土壤抗剪强度的计算方法是通过确定有效应力和土壤参数,如内摩擦角和凝聚力 1, 2]。这些土壤参数可以确定在现场标准贯入试验(SPT)或剪切叶片测试实验室进行直剪试验,环剪试验、三轴试验和无侧限抗压强度 3, 4]。这些测试是耗时的,涉及很多成本进行测试的一个重要数量的样本。

在过去的几十年里,许多研究人员试图改善和寻找替代方法来确定土的抗剪强度 3, 5- - - - - - 10]。南et al。 11)使用多级直接剪切试验确定不饱和,饱和土的抗剪强度。这种方法可以减少一些缺点常规直剪试验和结果精度高。除此之外,许多研究人员试图建立土壤指标之间的关系,如粘土分数、液限、塑性极限,和粘土矿物学 9, 12]。同时,许多已经努力评估土壤通过其他土壤的抗剪强度参数,如建立一个吸入和抗剪强度之间的相关性 10, 13]。此外,介绍了几种传统的程序来估计土壤的抗剪强度、含水量之间的关系和吸入被作为一种工具在非饱和土抗剪强度的预测过程 6, 14- - - - - - 16]。另一个努力进行了估算土壤抗剪强度通过原位剪切波速( 16- - - - - - 18]。总的来说,传统和传统技术具有一些缺点和局限性,如限制在使用基本的土壤参数或考虑小范围的土壤。作为一个例子,卡亚( 2)表明,经验公式,提出了赖特( 19),只是局限于土壤含有粘土分数高于50%。

在最近的一次,机器学习(ML)技术已经发展迅速并成功地应用于许多领域的土木工程( 20.- - - - - - 27和地球科学 28- - - - - - 31日),包括滑坡敏感性等岩土工程( 32- - - - - - 41和土壤参数的估计 42- - - - - - 47)包括土壤的抗剪强度( 47- - - - - - 52]。在达斯等人的工作。 53),作者成功地应用人工神经网络(ANN)估算残余摩擦角的热带土壤在指定区域。除此之外,它是发现,支持向量机(SVM)显示出更好的性能比安估计土壤使用基本的土壤的抗剪强度参数,如液限、塑性极限和粘土分数。在另一个工作,Besalatpour et al。 54)表明,Adaptive-Network-based模糊推理系统(简称ANFIS)和ANN模型有更高的能力比传统的回归方法。在另一项研究中,三个新的优化技术,即,蜻蜓算法(DA),入侵杂草优化(硫磺岛),和鲸鱼优化算法(WOA),被用来优化一个ANN结构的重量和偏见在估计土壤的抗剪强度 50),注意到学习误差明显降低。因此,IWO-ANN混合算法被发现有前途的模型,而不是传统的方法在解决土壤抗剪强度的问题。此外,Moayedi et al。 49)四个neural-metaheuristic模型用于估算土壤的抗剪强度,指出樽海鞘群Algorithm-Multilayer感知器(SSA-MLP)模型是一个潜在的替代方法估算土壤抗剪强度。一般来说,毫升技术与传统方法相比显著提高预测能力。

尽管显著增长的ML算法在土壤学中的应用研究,令人惊讶的是这些建议致力于调查下的性能评估的因素在模型开发阶段。这些因素可能会分裂的选择数据,抽样技术的选择,或ML算法。例如,研究毫升技术在数字土壤制图的比较发现,样本设计和模型选择显著影响输出( 55]。关于数据分割,数据样本通常是分为两个数据集,包括模型训练的训练集和测试集进行模型验证。许多研究人员提出了一个70/30或80/20的比例(培训/测试设备)生产数据集在滑坡敏感性问题 56- - - - - - 61年]。对于研究使用ML算法估计土的残余强度,以前作品主要应用比例的70/30,80/20,90/10(培训/测试)生成数据集( 22, 43, 47- - - - - - 49, 51- - - - - - 53]。最近,范教授等。 47)进行了一项研究估计土壤的抗剪强度在不同训练数据集的大小从30%到90%使用随机森林(RF)算法。这项研究表明,训练数据集的大小的增加提高了训练性能,使模型更稳定。测试性能,增加训练集的规模从30%到80%还可以提高检测性能。然而,当训练规模从80%上升到90%,相反的趋势被发现在测试性能。一般来说,训练集的大小有重要影响的预测能力毫升模型( 62年]。

本研究的主要目的是评估毫升的性能模型考虑不同比率的土壤数据分解对土壤抗剪强度的预测。在这个研究中,三个毫升技术,即安,极端学习机(ELM)和增强算法,采用基于不同分割比率的估算土壤抗剪强度训练和测试阶段的输入数据。本研究的主要区别与以前发表的作品是第一次分裂的影响策略的训练和测试数据集用于毫升模型研究来预测土壤抗剪强度。使用标准的统计结果评估措施,即平均绝对误差(MAE)、相关系数( R),根均方误差(RMSE),选择最好的模型在预测土壤抗剪强度,研究不同比例的影响的训练和测试数据的性能模型。

 2。的研究意义

毫升,包括先进的基于软计算技术,已成功开发和应用,有效地解决很多现实问题( 63年- - - - - - 68年]。毫升的主要优势是它可以无限量主观分析数据并给出可靠的结果和评估( 69年]。然而,它的性能极大地依赖于数据的质量和使用数据的策略 70年- - - - - - 72年]。因此,评估数据分割毫升的影响模型的性能有很高的意义,从而铺平了道路如何选择一个合适的数据分割为更好ML-based建模。在这项研究中,我们选择了三种流行的ML模型,即安,榆树,和提高了建模。此外,我们选择一个研究问题,对土壤抗剪强度的预测,“这是一个重要的岩土工程任务( 43, 46, 47, 73年]。这将有助于建设工程师和管理人员可以快速、准确地预测土壤抗剪强度,可用于建设项目的设计和验证。

 3所示。数据使用

土壤调查数据的长富1电厂项目,位于Soc Trang省,越南(经度9°59′07.3“106°04′N和纬度48.0”E),在这项研究中用于毫升的发展模式。这个电厂的建设开始于2015年6月,反映出关键项目在越南政府的2011 - 2020年国家电力发展规划( 73年]。538份土壤样本的数据库被用来构建训练和测试数据集。土壤粘粒含量等参数(%),孔隙比、含水量(%),液限(%),塑性极限(%),和比重作为输入变量,而土壤抗剪强度(公斤/厘米2)由Undrain下的直剪试验和松散(UU)计划作为输出变量。

输入变量的统计分析表明,样本,粘土含量不同,从0到65(%),塑性极限从15到35(%),液限从20到65(%),比重从2.6到2.7,孔隙比从0.5到1.0(数字 1(一)- - - - - - 1 (g)),而输出变量变化从0.45到0.7(公斤/厘米2)(图 1 (g))。

直方图在这项研究中使用的参数:(一)粘土;(b)含水率;(c)比重;(d)孔隙比;(e)液限;(f)塑性极限;(g)土壤的抗剪强度。

考虑到不同范围的变量(图 1),这些值按比例缩小的范围[0,1],以避免意外的跳跃在数据集用于建模,减少波动。

 4所示。方法 4.1。人工神经网络(ANN)

安被称为流行的和强大的机器学习技术(计算模型) 74年, 75年),基于生物神经网络的结构和功能:人类大脑的神经系统( 20., 76年- - - - - - 78年]。这种方法已被成功地用于土木工程在解决各种各样的问题,包括岩土工程问题。安法用于识别输入和输出神经元之间的关系在两个线性和非线性模式( 21, 22, 79年]。因此,安能做出决定通过分析模式和关系在数据本身( 2, 43, 80年]。在这项研究中,一个多层感知器神经网络,一个受欢迎的安( 81年),采用回归方法估算土壤抗剪强度。

 4.2。提高树(提高)

提高(树)是一个混合的方法,结合决策树和促进方法。在这个ensemble-type方法,决策树是用来连接输入和输出变量通过递归双分离,而采用提升方法把许多单个模型改善混合模型的性能( 82年]。提高的方法,基于树技术的优点,能够克服独家树模型的缺点,因为以下的原因。首先,这个整体可以选择一个合适的变量匹配适当的功能。其次,它适用于各种类型的数据使用随机增加,最后,这个方法可以减轻通过模型平均偏差和方差( 83年]。

 4.3。极限学习机(ELM)

首先提出了榆树黄等。 84年, 85年),这是一个现代算法和使用作为一个隐层前馈神经网络(SLFN) [ 86年]。榆树算法产生更好的性能而言,学习的速度与传统的算法相比,例如,反向传播和最小二乘支持向量机( 61年, 84年, 87年]。榆树的主要目的是让最小的准则的权重最小的训练误差可以达到优化模型的性能。榆树算法的详细描述可在发表论文( 84年, 88年- - - - - - 90年]。

 4.4。蒙特卡罗方法

蒙特卡罗方法被广泛引入到解决问题相关的可变性输入参数在各个领域,包括岩土工程( 45, 91年, 92年]。蒙特卡罗方法是一种广泛的计算算法依赖于重复随机抽样过程获得计算结果。基本上,这种技术可以生产高计算能力,据统计,在数据的关系为线性和非线性问题( 45, 91年]。蒙特卡罗技术是实现通过重复随机输入变量基于概率密度的分布,并通过一个模拟输出相应的计算模型( 93年, 94年]。蒙特卡罗方法的概念包括以下:(i)变化的输入参数可以完全由预定的传播模型和(2)敏感性分析的输入可以评估使用统计分析的输出结果。

 4.5。绩效评估标准

摘要标准统计的措施,即均方根误差(RMSE),平均绝对误差(MAE)和相关系数( R),被用来比较和验证毫升的性能模型 47, 95年]。一般来说,RMSE是均方估计与实际值之间的差异,而美是错误的平均振幅。的RMSE值低,美意味着更高的模型的预测能力。除此之外, R是用来评估的预测和实际值的相关土壤抗剪强度。的值 R−1和+ 1之间,绝对的值 R接近1意味着更高的预测能力。这些指标可以使用以下公式计算 45, 96年]: (1) R = ∑ 我 = 1 n y c o 我 − y c o ¯ y 一个 c 我 − y 一个 c ¯ ∑ 我 = 1 n y c o 我 − y c o ¯ 2 y 一个 c 我 − y 一个 c ¯ 2 , RMSE = 1 n ∑ 我 = 1 n y c o 我 − y 一个 c 我 2 , 美 = 1 n ∑ 我 = 1 n y c o 我 − y 一个 c 我 , 在哪里 y 细胞色素氧化酶和 y c o ¯ 代表的输出值 我th和相应的输出样本平均值计算毫升模型,分别; y aci和 y 一个 c ¯ 表示的测量值 我分别th样品和测量的平均值;和 n表明样品的总数。

 5。结果和分析

在本节中,提出了土壤抗剪强度的预测结果使用各种毫升模型(安,榆树,和提高了)。在建模、粘土含量、孔隙比、含水量、液限、塑性极限,和比重被认为是作为输入变量,而土壤抗剪强度被认为是作为输出变量。作为第一步,训练和测试的影响比ML的性能模型,其次是随机抽样的研究影响毫升的性能模型,最后,比较不同的ML模式执行。

5.1。影响不同的培训和测试比率毫升的性能模型

评估不同比率的影响在ML的性能模型,ANN模型用于选择最佳train-to-test比土壤抗剪强度的估计。使用安执行这项研究中,六个参数(表 1)选择使用试验和错误测试训练模型。数据集分成两部分,不同的比率:10:90年,20:80年,30日:70年,40:60、50:50,60:40,70:30,80:20,90:10火车/测试。基本上,一个训练数据集被用来构建模型,而测试数据集被用来评估模型的预测能力。最后,安的性能模型在不同ratio-based训练和测试数据集使用各种统计指标评估,如图 2。

ANN算法的参数用于这项研究。

不。 参数 设置
1 数量的隐藏层 1
2 隐层神经元的数目 8
3 激活函数为隐层 乙状结肠
4 输出层的激活函数 线性
5 训练算法 Levenberg-Marquardt
6 成本函数 均方误差

ANN模型的验证的性能在不同比例(百分比)的数据在培训部分:(一)RMSE培训情况;(b)的RMSE测试部分;(c)美培训情况;测试部分(d)美;(e) R培训情况;和(f) R测试的部分。

可以看出,随着训练数据集的数据数量的增加,错误(RMSE和梅)ANN模型的增加,和 RANN模型的价值下降,显示安(减少数据的准确性 2(一个), 2 (c), 2 (e))。相比之下,随着数据的测试数据集数量的增加,安的错误(RMSE和梅)下降,和 R值增加,反映出安(数据准确性的提高 2 (b), 2 (d), 2 (f))。它可以被观察到的性能ANN模型训练和测试数据集是最好的培训/测试比率为70/30,基于值均值,标准差,和分位数水平的三个标准。

 5.2。随机抽样对安的性能的影响

验证随机抽样对ML的性能模型,使用ANN模型和训练不同的培训/测试比率使用蒙特卡罗模拟。在这个过程中,1000年的模拟进行了验证统计模型的收敛性,如图 3。可以看出,RMSE和梅值稳定在10%的平均值只有10个迭代,而这些值稳定在5%平均20蒙特卡罗迭代。此外,的值 R在统计学上稳定在2%平均8迭代和1%平均从50迭代。

统计收敛结果1000年蒙特卡洛模拟的测试部分:(一)RMSE;(b)美;和(c) R。

此外,该分析的概率密度 R、RMSE美价值观也进行了研究随机抽样对ANN模型(图的性能的影响 4)。它可以被观察到的概率密度的分布 R、RMSE和梅值是不同的在不同的培训/测试比率。

概率密度的结果1000蒙特卡罗模拟测试与不同指标部分:(一)RMSE;(b)美;和(c) R。应该注意到,传说,比如,火车10%,表明获得的结果总数的10%的数据被用来构造训练数据集。

一般来说,它可以表示,ANN模型的性能敏感数据的随机选择的数据集用于训练和验证模型。在这项研究中,超过700的ANN模型融合蒙特卡罗模拟,发现train-to-test比70:30毫升建模的最佳选择。

 5.3。验证和比较不同的ML模式

三个毫升模型(即的验证和比较。,安,榆树,和提高了) were conducted using the best ratio of 70/30 of training and testing datasets. The ANN was trained with the parameters provided in Table 1,而榆树训练与网络由一个输入层神经元(6),一个隐藏层神经元(8),和一个输出神经元(1)。对于增强算法,最小叶大小为8,学习的周期数是20,学习速率被设定为0.1。的值 R、RMSE和梅的模型使用的测试数据集数据所示 4- - - - - - 6。RMSE指标的基础上,它可以观察到,RMSE ANN模型的范围从0.05到0.1,而这个值范围从0.08到0.125左右为榆树模型提高了算法和从0.07到0.3在1000年蒙特卡洛模拟(图 5)。关于美指标,可以看出美ANN模型的范围从0.04到0.07,而这个值从0.06到0.09不等提振模型,从0.075到0.25的榆树1000蒙特卡罗模拟(图模型 6)。而言, R指标,ANN模型了 R值从0.95到0.97,从0.88到0.95,增加了模型,从0.62到0.95的榆树模型(图 7)。通常根据这些结果,可以看到,ANN模型得到最低的误差值(RMSE和MAE)和最高 R值与其它模型(增加和榆树)相比,而EML最不稳定的RMSE值,美, R。榆树也得到了最高的价值观错误和最低的值 R超过1000的蒙特卡罗模拟。总结的主要提出了三种方法在表的结果 2。总的来说,它可以表示,ANN模型是最好的和最稳定的模型与其他模型相比(增加和榆树)对土壤抗剪强度的预测。

比较了、榆树和安的概率密度的结果1000蒙特卡罗模拟测试RMSE的一部分。

比较了、榆树和安的概率密度为1000年蒙特卡洛模拟结果测试部分的美。

比较了、榆树和安的概率密度的结果1000蒙特卡罗模拟测试的一部分 R。

总结的结果超过1000安蒙特卡罗模拟,提高了,榆树算法在这个研究。

标准 安 提高了 榆树
的意思是 R 0.9348 0.9192 0.8703
性病。 R 0.0129 0.0134 0.0624
意味着RMSE 0.0820 0.1029 0.1386
性病。RMSE 0.0073 0.0076 0.0412
的意思是美 0.0591 0.0763 0.1157
性病。美 0.0049 0.0056 0.0388
6。讨论

毫升模型被称为先进技术和方法快速、准确预测现实世界的问题。这些模型,基于客观的计算算法,可以处理复杂的输入和输出变量之间的关系 97年]。然而,观察到毫升模型相当敏感数据的质量和使用方法的建模过程,特别是用于划分数据集比例模型训练和验证毫升( 98年]。在这项研究中,这个问题是通过调查分析培训/测试比率的影响在三个不同的性能受欢迎的ML模型,即安,EML,和提高预测土壤抗剪强度。

总的来说,结果表明,ML模型的性能显著改变在不同培训/测试比率。结果表明,70/30的培训/测试比率是最合适的一毫升模型训练和验证。这一发现与其他出版作品,如范教授等。 99年),研究了不同培训/测试比率和验证各种毫升模型(逻辑回归支持向量机,安,和Naıve贝叶斯)滑坡空间预测和证明,70/30是最好的培训/测试比ML模型的最佳性能。其他的研究和研究还证实本研究的发现 One hundred.- - - - - - 105年]。此外,还注意到,当训练数据集的数据的比例增加,模型的错误(RMSE和梅)的增加,和 R值降低。因此,增加的数据(或样本)在训练数据集可能有负面影响应用模型的预测精度和难度。

此外,验证和比较结果表明,所有的ML模型表现良好,但安是最好的土壤抗剪强度的预测模型。它可以表示,ANN模型已经重申了最好的单一毫升模型解决大多数实际问题( 106年, 107年]。安有几个优点与其他毫升模型相比,如(i)从数据中提取必要的处理信息能力的分析和预测,(2)数据的泛化能力,(3)能够正确处理信息,只有大致类似于最初的训练数据,及其基本特征(iv)和非线性相关,容错,独立的假设,和普遍性。因此,ANN算法尤其合理的极其复杂的数据。最后但并非最不重要,安是一种自适应算法,这样可以更有效的学习过程( 108年, 109年]。因此,它可以表示,安是最好的预测土壤抗剪强度的预测。

 7所示。结论

土壤抗剪强度是最重要的岩土工程特性用于设计和构建土木工程结构和建筑。这个参数预测中使用先进的ML模式可以帮助节省时间和降低建设工程成本。在这项研究中,三种流行的ML模型,包括安,榆树,提振,是应用和预测土壤抗剪强度相比使用数据库收集从长福和1电厂项目,越南。此外,这些模型的性能也调查的影响下不同的训练和测试比率超过1000的蒙特卡罗模拟。

验证和比较结果表明,甚至所有的模型的性能很好,安的性能是最好的与其他模型相比。它也可以观察到的性能模型显著变化在不同的训练和测试比率用于培训和验证模型。基于统计分析,70/30的比例进行训练和测试数据集被认为是最好的训练比例和验证模型。此外,蒙特卡罗模拟表明,模型的性能是不同的在超过1000个模拟随机抽样效果。安被发现是最好的和最稳定的方法在输入空间的可变性。

简而言之,土木工程师可以使用这项研究的结果快速、准确预测土壤抗剪强度的设计目的,例如,道路、桥梁、挡土墙等岩土工程和土木结构。虽然在这项研究中使用的一组数据是充分发展的ML模式,建议这些毫升模型应与各种应用和验证数据在不同地区更好的理由和验证。然而,注意到这些应用模型视为黑盒模型和不提供工程师的计算方程;GMDH,因此,等毫升模型实施EPR,提供的方程,可以被认为是未来的应用和比较。

 数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

 的利益冲突

作者宣称没有利益冲突。

 确认

这项研究是由交通运输部,项目题为“建设大数据和发展机器学习模型与优化集成技术对土壤抗剪强度参数的预测交通建设项目”资助下不。DT 203029。

 达斯 b . M。 索班 K。 岩土工程的原则 2013年 波士顿,美国 Cengage学习 卡亚 一个。 残油、完全软化强度评价土壤使用人工神经网络 岩土工程和地质工程 2009年 27 2 281年 288年 10.1007 / s10706 - 008 - 9228 - x 2 - s2.0 - 61749101060 Hettiarachchi H。 布朗 T。 使用SPT击数来估计土壤的抗剪强度特性:能量平衡的方法 岩土和Geoenvironmental工程杂志》上 2009年 135年 6 830年 834年 10.1061 /(第3期)gt.1943 - 5606.0000016 2 - s2.0 - 66349130701 Motaghedi H。 伊斯拉米 一个。 分析方法测定土抗剪强度参数CPT和CPTu数据 阿拉伯科学与工程》杂志上 2014年 39 6 4363年 4376年 10.1007 / s13369 - 014 - 1022 - x 2 - s2.0 - 84902668495 查 M。 赵 G.-C。 抗剪强度估计使用剪切波速的沙土 岩土测试日报 2007年 30. 6 484年 495年 Garven 大肠。 Vanapalli 美国K。 实证评估程序预测非饱和土的抗剪强度 第四国际会议上不饱和土壤学报》上 2006年4月 无忧无虑的,阿兹,美国 2570年 2592年 金 s。 涩谷 年代。 公园 S.-W。 加藤 年代。 应用吸入压力估算非饱和土抗剪强度的使用直接剪切测试在低围压下 加拿大岩土期刊 2010年 47 9 955年 970年 10.1139 / t10 - 007 2 - s2.0 - 77958046196 基本上 j . O。 Raghavan g s V。 McKyes E。 Mehuys G。 抗剪强度预测压实土壤有机质添加了不同的内容 交易的ASAE 1986年 29日 2 351年 355年 女子 B。 Marui H。 相关性的一种新方法残余剪切强度的土壤矿物组成 岩土和Geoenvironmental工程杂志》上 2005年 131年 9 1139年 1150年 10.1061 /(第3期)1090 - 0241 (2005)131:9 (1139) 2 - s2.0 - 24944552540 Vilar o . M。 一个简化的过程来估算非饱和土的抗剪强度包络线 加拿大岩土期刊 2006年 43 10 1088年 1095年 10.1139 / t06 - 055 2 - s2.0 - 33846665245 不结盟运动 年代。 古铁雷斯 M。 萨那 P。 皮特里 J。 非饱和土抗剪强度的测定使用多级直接剪切试验 工程地质 2011年 122年 3 - 4 272年 10.1016 / j.enggeo.2011.06.003 2 - s2.0 - 80053320223 Skempton 答:W。 残余强度的粘土滑坡、褶皱和实验室 岩土工程 1985年 35 1 3 18 10.1680 / geot.1985.35.1.3 2 - s2.0 - 0022037951 拉萨姆 d . W。 威廉姆斯 d . J。 描述非饱和土的抗剪强度的关系 加拿大岩土期刊 1999年 36 2 363年 368年 10.1139 / t98 - 102 2 - s2.0 - 0033237117 Tekinsoy m·A。 Kayadelen C。 Keskin m . S。 Soylemez M。 一个方程预测抗剪强度包络线对基质吸力 电脑和土工技术 2004年 31日 7 589年 593年 10.1016 / j.compgeo.2004.08.001 2 - s2.0 - 11344290679 徐 y F。 分形方法不饱和抗剪强度 岩土和Geoenvironmental工程杂志》上 2004年 130年 3 264年 273年 10.1061 /(第3期)1090 - 0241 (2004)130:3 (264) 2 - s2.0 - 1642297477 徐 y F。 太阳 d . A。 土壤孔隙的分形模型及其应用透水性的决心 自然史答:统计力学及其应用 2002年 316年 1 - 4 56 64年 10.1016 / s0378 - 4371 (02) 01331 - 6 2 - s2.0 - 0037114546 麦克甘 c·R。 布拉德利 b。 泰勒 m . L。 Wotherspoon l . M。 Cubrinovski M。 发展实证相关预测剪切波速的克赖斯特彻奇土壤针入度试验数据 土动力学和地震工程 2015年 75年 66年 75年 10.1016 / j.soildyn.2015.03.023 2 - s2.0 - 84928138163 不结盟运动 m . S。 Vipulanandan C。 粗糙度和单元的电阻轴钻泥质页岩的嵌岩和石灰岩 岩土和Geoenvironmental工程杂志》上 2008年 134年 9 1272年 1279年 10.1061 /(第3期)1090 - 0241 (2008)134:9 (1272) 2 - s2.0 - 50149121142 莱特 s G。 评价土壤剪切优势斜坡及挡土墙稳定性分析与强调高塑性粘土 2005年 美国华盛顿特区 联邦高速公路管理局 Ly H.-B。 勒 T.-T。 Vu H.-L。T。 Tran 诉Q。 勒 l . M。 范教授 b . T。 计算混合基于机器学习的预测剪切钢纤维混凝土梁的能力 可持续性 2020年 12 7 2709年 10.3390 / su12072709 刀 d . V。 Ly H.-B。 Vu H.-L。T。 勒 T.-T。 范教授 b . T。 调查和优化C-ANN结构预测泡沫混凝土的抗压强度 材料 2020年 13 5 1072年 10.3390 / ma13051072 刀 d . V。 埃德里 H。 Ly H.-B。 探地雷达和安的灵敏度和鲁棒性分析高性能混凝土抗压强度预测使用蒙特卡罗模拟 可持续性 2020年 12 3 830年 10.3390 / su12030830 勒 T.-T。 范教授 b . T。 Ly H.-B。 Shirzadi 一个。 勒 l . M。 48小时降水的发展使用非线性自回归神经网络预测模型 CIGOS 2019年创新可持续基础设施 2020年 柏林,德国 施普林格 1191年 1196年 Ly H.-B。 勒 l . M。 φ l . V。 开发的人工智能模型来衡量交通空气污染从多传感器和天气数据 传感器 2019年 19 22 4941年 10.3390 / s19224941 Ly H.-B。 范教授 b . T。 刀 d . V。 勒 诉M。 勒 l . M。 勒 T.-T。 简称ANFIS预测模型的改进人工砂混凝土的抗压强度 应用科学 2019年 9 18 3841年 10.3390 / app9183841 2 - s2.0 - 85072399828 Ly H.-B。 勒 T.-T。 勒 l . M。 开发混合动力机器学习模型预测工字形的蜂窝梁的临界屈曲载荷 应用科学 2019年 9 24 5458年 10.3390 / app9245458 范教授 b . T。 勒 l . M。 勒 T.-T。 发展先进的人工智能每日降雨量预测模型 大气研究 2020年 237年 104845年 10.1016 / j.atmosres.2020.104845 程ydF4y2Ba W。 李 Y。 雪 W。 建模洪水易感性使用朴素贝叶斯树的数据驱动方法,交替决策树,随机森林方法 科学的环境 2020年 701年 134979年 10.1016 / j.scitotenv.2019.134979 Nhu V.-H。 穆罕默 一个。 Shahabi H。 滑坡敏感性映射使用机器学习算法和遥感数据在热带环境中 国际环境研究和公共卫生杂志》上 2020年 17 14 4933年 10.3390 / ijerph17144933 程ydF4y2Ba W。 普拉丹 B。 李 年代。 新颖的混合集成方法bagging-based Fisher线性判别函数进行地下水潜力分析 自然资源研究 2019年 28 4 1239年 1258年 10.1007 / s11053 - 019 - 09465 - w 2 - s2.0 - 85061242983 王 Y。 在香港 H。 程ydF4y2Ba W。 洪水易感性映射工县(中国)使用基于自适应神经模糊推理系统与生物地理学优化和帝国主义竞争算法 环境管理杂志》 2019年 247年 712年 729年 10.1016 / j.jenvman.2019.06.102 2 - s2.0 - 85068250343 Abedini M。 Ghasemian B。 Shirzadi 一个。 一种新的混合方法的贝叶斯逻辑回归为滑坡敏感性评估及其集合体 Geocarto国际 2019年 34 13 1427年 1457年 10.1080 / 10106049.2018.1499820 2 - s2.0 - 85051092674 范教授 Shirzadi Shahabi 小说的滑坡敏感性评价混合动力机器学习算法 可持续性 2019年 11 16 4386年 10.3390 / su11164386 2 - s2.0 - 85070697324 阮 参选 Shirzadi 开发一种新颖的混合智能方法对滑坡空间预测 应用科学 2019年 9 14 2824年 10.3390 / app9142824 2 - s2.0 - 85069766176 范教授 b . T。 普拉卡什 我。 Khosravi K。 支持向量机和贝叶斯算法的比较滑坡敏感性造型 Geocarto国际 2019年 34 13 1385年 1407年 10.1080 / 10106049.2018.1489422 2 - s2.0 - 85053429188 范教授 b . T。 普拉卡什 我。 一种新的混合模型为滑坡敏感性评估Bagging-based朴素贝叶斯的树木 《工程地质和环境 2019年 78年 3 1911年 1925年 10.1007 / s10064 - 017 - 1202 - 5 2 - s2.0 - 85034839445 冯氏 t . V。 显象 T . T。 普拉卡什 我。 滑坡敏感性使用不同的人工智能建模方法:一个案例研究在Muong躺地区,越南 Geocarto国际 2019年 1 24 10.1080 / 10106049.2019.1665715 2 - s2.0 - 85073977134 范教授 b . T。 冯氏 t . V。 Nguyen-Thoi T。 整体建模的滑坡敏感性使用随机子空间学习和不同的决策树分类器 Geocarto国际 2020年 1 23 10.1080 / 10106049.2020.1737972 Nhu V.-H。 穆罕默 一个。 Shahabi H。 滑坡敏感性检测和建模在卡梅伦高地(马来西亚):比较随机森林,逻辑回归和物流模式树算法 森林 2020年 11 8 830年 10.3390 / f11080830 Nhu V.-H。 Shirzadi 一个。 Shahabi H。 浅层滑坡敏感性映射的随机森林分类器基础及其集合体的半干旱地区的伊朗 森林 2020年 11 4 421年 10.3390 / f11040421 王 G。 Lei X。 程ydF4y2Ba W。 Shahabi H。 Shirzadi 一个。 混合计算智能方法对滑坡敏感性映射 对称 2020年 12 3 325年 10.3390 / sym12030325 阮 m D。 范教授 b . T。 参选 T . T。 开发的人工智能方法预测软土的固结系数:敏感性分析 开放建筑和建筑技术杂志 2019年 13 1 178年 10.2174 / 1874836801913010178 2 - s2.0 - 85072390170 范教授 b . T。 儿子 l . H。 黄平君 T.-A。 阮 D.-M。 Tien中方 D。 预测软土抗剪强度的使用机器学习方法 系列 2018年 166年 181年 191年 10.1016 / j.catena.2018.04.004 2 - s2.0 - 85045042295 范教授 b . T。 阮 m D。 中方通过 K.-T。T。 普拉卡什 我。 Chapi K。 中方通过 d . T。 一种新颖的基于多层感知器神经网络的人工智能方法和Biogeography-based优化预测土壤的固结系数 系列 2019年 173年 302年 311年 10.1016 / j.catena.2018.10.004 2 - s2.0 - 85055412204 范教授 b . T。 阮 m D。 刀 d . V。 发展人工智能模型土的压缩系数的预测:蒙特卡罗灵敏度分析的应用 科学的环境 2019年 679年 172年 184年 10.1016 / j.scitotenv.2019.05.061 2 - s2.0 - 85065412551 Ly H.-B。 范教授 b . T。 预测土壤抗剪强度利用直剪试验和支持向量机模型 开放建筑和建筑技术杂志 2020年 14 1 41 10.2174 / 1874836802014010041 范教授 b . T。 气 C。 何 l S。 一种新颖的混合软计算模型使用随机森林和粒子群优化土壤不排水抗剪强度的估计 可持续性 2020年 12 6 2218年 10.3390 / su12062218 中方通过 d . T。 黄平君 N.-D。 Nhu V.-H。 基于群智能的机器学习的方法对预测土壤抗剪强度道路建设:一个案例研究在Trung陈德良国家高速公路项目(越南) 与计算机工程 2019年 35 3 955年 965年 Moayedi H。 气油比 M。 小河 M。 Foong l·K。 Bahiraei M。 中方通过 d . T。 组合四个明智neural-metaheuristic范式在预测土壤抗剪强度 测量 2020年 156年 107576年 10.1016 / j.measurement.2020.107576 Moayedi H。 Tien中方 D。 Dounis 一个。 Kok Foong l Kalantar B。 小说自然杂交的神经计算估算土壤抗剪强度 应用科学 2019年 9 21 4643年 10.3390 / app9214643 Moayedi H。 中方通过 D。 Anastasios D。 Kalantar B。 斑点鬣狗优化器和蚁狮优化预测土壤的抗剪强度 应用科学 2019年 9 22 4738年 10.3390 / app9224738 Nhu V.-H。 黄平君 N.-D。 Duong V.-B。 Vu 》。 中方通过 d . T。 混合计算智能方法为预测土壤抗剪强度城市住房建设:一个案例研究在Vinhomes统帅权项目,海防港城市(越南) 与计算机工程 2019年 36 2 1 14 10.1007 / s00366 - 019 - 00718 - z 2 - s2.0 - 85061192451 达斯 年代。 寒 P。 汗 年代。 Sivakugan N。 机器学习技术应用于预测土的残余强度 开放的地质 2011年 3 4 449年 461年 10.2478 / s13533 - 011 - 0043 - 1 2 - s2.0 - 84863412225 Besalatpour 一个。 Hajabbasi m·A。 Ayoubi 年代。 Afyuni M。 Jalalian 一个。 Schulin R。 土壤抗剪强度预测使用智能系统:人工神经网络和自适应神经模糊推理系统 土壤科学和植物营养 2012年 58 2 149年 160年 10.1080 / 00380768.2012.661078 2 - s2.0 - 84865812017 草根阶层 B。 何 h . C。 张 J。 Knudby 一个。 Bulmer c, E。 施密特 m·G。 概述和比较的机器学习技术在数字土壤制图分类的目的 Geoderma 2016年 265年 62年 77年 10.1016 / j.geoderma.2015.11.014 2 - s2.0 - 84947760924 中方通过 d . T。 普拉丹 B。 Lofman O。 Revhaug 我。 迪克 o . B。 滑坡敏感性映射在阿花太平省(越南)使用一种自适应神经模糊推理系统和GIS 电脑与地球科学 2012年 45 199年 211年 程ydF4y2Ba W。 彭 J。 在香港 H。 滑坡敏感性模型基于gis技术使用机器学习技术Chongren县,中国江西省 科学的环境 2018年 626年 1121年 1135年 10.1016 / j.scitotenv.2018.01.124 2 - s2.0 - 85042195668 黄 F。 阴 K。 黄 J。 Gui l 王 P。 滑坡敏感性映射基于self-organizing-map网络和极端的学习机器 工程地质 2017年 223年 11 22 10.1016 / j.enggeo.2017.04.013 2 - s2.0 - 85018551890 范教授 b . T。 Tien中方 D。 Pourghasemi h·R。 因陀罗 P。 Dholakia m B。 北阿坎德邦地区滑坡敏感性assesssment使用GIS(印度):朴素贝叶斯预测能力的比较研究,多层感知器神经网络,和功能树的方法 理论和应用气候学 2017年 128年 1 - 2 255年 273年 10.1007 / s00704 - 015 - 1702 - 9 2 - s2.0 - 84951869124 Taalab K。 程 T。 张 Y。 滑坡敏感性和类型映射使用随机森林 地球大数据 2018年 2 2 159年 178年 10.1080 / 20964471.2018.1472392 Vasu N . N。 李 S.-R。 混合特征选择算法集成一个极端的学习机器太Woomyeon滑坡敏感性建模,韩国 地貌学 2016年 263年 50 70年 10.1016 / j.geomorph.2016.03.023 2 - s2.0 - 84962909823 气 C。 Fourie 一个。 程ydF4y2Ba Q。 张 Q。 强度预测模型使用人工智能为废物回收尾矿胶结粘贴回填 《清洁生产 2018年 183年 566年 578年 10.1016 / j.jclepro.2018.02.154 2 - s2.0 - 85042729158 周 J。 Asteris p·G。 Armaghani d . J。 范教授 b . T。 预测爆破引起的地面振动操作通过使用贝叶斯网络和随机森林模型 土动力学和地震工程 2020年 139年 106390年 10.1016 / j.soildyn.2020.106390 陆 年代。 Koopialipoor M。 Asteris p·G。 Bahri M。 Armaghani d . J。 一个新颖的基于树模型的特征选择方法评估钢纤维增强混凝土的冲剪能力平坦的石板 材料 2020年 13 17 3902年 10.3390 / ma13173902 Armaghani d . J。 Asteris p·G。 安和简称ANFIS模型的比较研究水泥基砂浆材料抗压强度的预测 神经计算和应用 2020年 1 32 Asteris p·G。 一种新的启发式算法的建模和风险评估COVID-19流行现象 计算机模拟在工程和科学 2020年 125年 2 815年 828年 Armaghani d . J。 摩 E。 Asteris P。 应用程序组的方法评估岩体变形数据处理技术 应用Metaheuristic计算 2020年 1 1 18 耶和华Armaghani D。 Asteris p·G。 Askarian B。 Hasanipanah M。 Tarinejad R。 黄齐的 诉V。 检查混合与不同的内核和单一的支持向量机模型预测岩石脆性 可持续性 2020年 12 6 2229年 10.3390 / su12062229 邱 J。 吴 Q。 丁 G。 徐 Y。 冯 年代。 大数据处理的机器学习的调查 EURASIP在信号处理的发展》杂志上 2016年 2016年 1 67年 Asteris p·G。 在metaheuristic cement-metakaolin迫击炮抗压强度的预测模型 Metaheuristic计算和应用 2020年 1 1 063年 Apostolopoulou M。 Asteris p·G。 Armaghani d . J。 映射和整体设计自然水硬石灰的迫击炮 水泥和混凝土的研究 2020年 136年 106167年 10.1016 / j.cemconres.2020.106167 Ly H.-B。 范教授 b . T。 勒 l . M。 勒 T.-T。 勒 诉M。 Asteris p·G。 估计钢管混凝土的轴向承载力钢管使用代理模式 神经计算和应用 2020年 1 22 范教授 b . T。 Nguyen-Thoi T。 Ly H.-B。 基于极限学习机的预测土壤抗剪强度:敏感性分析使用蒙特卡罗模拟和特性向后消除 可持续性 2020年 12 6 2339年 10.3390 / su12062339 Alizadeh M。 Alizadeh E。 Asadollahpour Kotenaee 年代。 社会脆弱性评估使用人工神经网络(ANN)模型进行地震风险大不里士市伊朗 可持续性 2018年 10 10 3376年 10.3390 / su10103376 2 - s2.0 - 85053693021 Asteris p·G。 文身制 诉G。 使用人工神经网络的混凝土抗压强度 神经计算和应用 2019年 1 20. 范教授 b . T。 辛格 美国K。 Ly H.-B。 使用人工神经网络(ANN)的预测土壤固结系数 越南地球科学杂志》上 2020年 42 10.15625 / 0866 - 7187/42/3/15008 勒 诉M。 范教授 b . T。 勒 T.-T。 Ly H.-B。 勒 l . M。 每日降雨量预测使用非线性自回归神经网络 微电子和通信工程 2020年 213年 221年 10.1007 / 978 - 981 - 15 - 2329 - 8 _22 勒 T.-T。 范教授 b . T。 勒 诉M。 Ly H.-B。 勒 l . M。 不同的非线性自回归网络的鲁棒性分析通过蒙特卡洛模拟预测高波动降雨 微电子和通信工程 2020年 柏林,德国 施普林格 205年 212年 范教授 t。 Ly H.-B。 Tran 诉Q。 武元甲 l . V。 Vu H.-L。T。 Duong H.-A。T。 使用人工神经网络预测桩轴向承载力和随机森林 应用科学 2020年 10 5 1871年 10.3390 / app10051871 Behrang m·A。 Assareh E。 Ghanbarzadeh 一个。 Noghrehabadi a。R。 可能不同的人工神经网络(ANN)技术在日常全球太阳能辐射建模基于气象数据 太阳能 2010年 84年 8 1468年 1480年 10.1016 / j.solener.2010.05.009 2 - s2.0 - 77954309362 Peh K·K。 Lim c·P。 郭先生 美国年代。 Khoh k . H。 利用人工神经网络来预测药物溶解概要文件和评估网络性能使用相似的因素 医药研究 2000年 17 11 1384年 1389年 10.1023 /:1007578321803 2 - s2.0 - 0034495109 Zięba M。 Tomczak 美国K。 Tomczak j . M。 整体提高树木与合成特性生成应用程序破产预测 专家系统与应用程序 2016年 58 93年 101年 Elith J。 Leathwick j . R。 黑斯蒂 T。 提高了回归树工作指南 动物生态学杂志 2008年 77年 4 802年 813年 10.1111 / j.1365-2656.2008.01390.x 2 - s2.0 - 44849118698 黄 G.-B。 朱 徐瑞秋 萧 C.-K。 极端的学习机器:理论和应用程序 Neurocomputing 2006年 70年 1 - 3 489年 501年 10.1016 / j.neucom.2005.12.126 2 - s2.0 - 33745903481 黄本 G。 周 H。 丁 X。 张 R。 极端的学习机器的回归和多级分类 IEEE系统,人,控制论,B部分:控制论 2012年 42 2 513年 529年 10.1109 / TSMCB.2011.2168604 2 - s2.0 - 84859007933 Shirzadi 一个。 Asadi 年代。 Shahabi H。 基于贝叶斯信念网络小说整体学习加上一个极端洪水易感性映射的学习机器 人工智能技术的工程应用 2020年 96年 103971年 10.1016 / j.engappai.2020.103971 中方通过 d . T。 非政府组织 P.-T。T。 范教授 t D。 一种新的混合方法基于群体智能优化极端洪水易感性映射的学习机器 系列 2019年 179年 184年 196年 10.1016 / j.catena.2019.04.009 2 - s2.0 - 85064269007 黄 G.-B。 周 H。 丁 X。 张 R。 极端的学习机器的回归和多级分类 IEEE系统,人,控制论,B部分(控制论) 2011年 42 2 513年 529年 黄 G.-B。 朱 徐瑞秋 萧 C.-K。 极端的学习机器:一种新的前馈神经网络的学习计划 2 学报2004年IEEE国际联合会议上神经网络(IEEE猫。没有。04 ch37541) 2004年7月 匈牙利布达佩斯 985年 990年 Ly H.-B。 Asteris p·G。 范教授 b . T。 精度评估极端学习机在预测土壤压缩soefficient 越南地球科学杂志》上 2020年 42 10.15625 / 0866 - 7187/42/3/14999 勒 l . M。 Ly H.-B。 范教授 b . T。 混合人工智能方法预测钢柱在轴压屈曲破坏 材料 2019年 12 10 1670年 10.3390 / ma12101670 2 - s2.0 - 85067226852 王 X。 杨 Z。 Jivkov 答:P。 蒙特卡罗模拟混凝土随机骨料和毛孔的中尺度骨折:尺寸效应研究 建筑和建筑材料 2015年 80年 262年 272年 10.1016 / j.conbuildmat.2015.02.002 2 - s2.0 - 84922867257 Guilleminot J。 Soize C。 广义随机方法在线性弹性本构方程:一个随机矩阵模型 国际期刊工程中的数值方法 2012年 90年 5 613年 635年 10.1002 / nme.3338 2 - s2.0 - 84859827217 末底改 年代。 蒙特卡罗方法在科学和工程中的应用 2012年 里耶卡,克罗地亚 InTechOpen Ly H.-B。 蒙泰罗 E。 勒 T.-T。 预测和灵敏度分析的泡沫溶解时间在3 d选择性激光烧结使用整体决策树 材料 2019年 12 9 1544年 10.3390 / ma12091544 2 - s2.0 - 85065746946 阮 H.-L。 范教授 b . T。 儿子 l . H。 基于自适应网络模糊推理系统与meta-heuristic优化国际平整度指数预测 应用科学 2019年 9 21 4715年 10.3390 / app9214715 阮 h . Q。 Ly H.-B。 Tran 诉Q。 阮 T.-A。 勒 T.-T。 范教授 b . T。 人工智能系统的优化进化算法预测的轴向压缩下矩形钢管混凝土管的能力 材料 2020年 13 5 1205年 10.3390 / ma13051205 莫汉蒂 s P。 休斯 d . P。 Salathe M。 使用基于图像的深度学习植物病害检测 植物科学前沿 2016年 7 1419年 10.3389 / fpls.2016.01419 2 - s2.0 - 84988564472 范教授 b . T。 普拉卡什 我。 Jaafari 一个。 中方通过 d . T。 使用聚合one-dependence rainfall-induced滑坡空间预测估计分类器 遥感的印度社会杂志》上 2018年 46 9 1457年 1470年 10.1007 / s12524 - 018 - 0791 - 1 2 - s2.0 - 85049559219 时 C。 Illes Z。 态度的预测对实时信息通信技术和移动技术:一个使用机器学习的实验研究 3 15电子学习和软件教育研讨会论文集,2019 2019年4月 布加勒斯特,罗马尼亚 247年 254年 刀 d . V。 Jaafari 一个。 到了去年 M。 一个空间显式深度学习滑坡敏感性预测的神经网络模型 系列 2020年 188年 104451年 10.1016 / j.catena.2019.104451 气 C。 Ly H.-B。 程ydF4y2Ba Q。 勒 T.-T。 勒 诉M。 范教授 b . T。 Flocculation-dewatering预测细矿物尾矿使用混合动力机器学习方法 光化层 2020年 244年 125450年 10.1016 / j.chemosphere.2019.125450 范教授 b . T。 Avand M。 Janizadeh 年代。 基于GIS的混合计算方法评估洪水易感性 水 2020年 12 3 683年 10.3390 / w12030683 阮 p . T。 哈 d . H。 Avand M。 软计算整体模型基于逻辑回归对地下水的潜在的映射 应用科学 2020年 10 7 2469年 10.3390 / app10072469 阮 p . T。 哈 d . H。 Jaafari 一个。 地下水潜力映射结合人工神经网络和真实的演算法整体技术:DakNong省案例研究,越南 国际环境研究和公共卫生杂志》上 2020年 17 7 2473年 10.3390 / ijerph17072473 程ydF4y2Ba W。 Pourghasemi h·R。 Kornejady 一个。 张 N。 滑坡空间建模:引入新的集合体的安,MaxEnt和支持向量机的机器学习技术 Geoderma 2017年 305年 314年 327年 10.1016 / j.geoderma.2017.06.020 2 - s2.0 - 85021392934 汗 z H。 光照山河 t·S。 侯赛因 m·A。 价格预测股票市场使用人工神经网络(ANN) 国际期刊的计算机应用程序 2011年 22 2 42 47 格特鲁德 j . C。 Maltarollo 诉G。 席尔瓦 r。 奥利维拉 p R。 Honorio k . M。 达席尔瓦 a . b . F。 机器学习技术和药物设计 当前药物化学 2012年 19 25 4289年 4297年 10.2174 / 092986712802884259 2 - s2.0 - 84866686849 Milac A.-L。 阿夫拉姆 年代。 Petrescu a.j。 评估使用神经网络基于配体构象方法表示取代基描述符:应用程序hiv - 1蛋白酶抑制剂 杂志分子图形和造型 2006年 25 1 37 45 10.1016 / j.jmgm.2005.09.014 2 - s2.0 - 33747875018