标志”src=

应用计算智能和软计算
PDF
应用计算智能和软计算/2021年/文章

研究文章|开放获取

体积 2021年 |文章的ID 5992628 | https://doi.org/10.1155/2021/5992628

艾哈迈德·m·Ebid光Nwobia,肯尼迪c . Onyelowe弗兰克。Aneke, ”预测Nanobinder-Improved非饱和土一致性限制使用遗传编程和人工神经网络”,应用计算智能和软计算, 卷。2021年, 文章的ID5992628, 13 页面, 2021年。 https://doi.org/10.1155/2021/5992628

预测Nanobinder-Improved非饱和土一致性限制使用遗传编程和人工神经网络

艾哈迈德·m·Ebid,1 光即Nwobia,2 肯尼迪c Onyelowe,3 和 弗兰克。Aneke4

1结构工程系,工程技术学院,未来的大学,新埃及开罗

2大学土木工程学系,迈克尔Okpara阿格利司,Umudike,尼日利亚

3土木和机械工程学系坎帕拉乌干达坎帕拉国际大学

4农业学院、工程和科学,霍华德大学校园,德班,南非夸祖鲁-纳塔尔大学

学术编辑器:陈健林
收到了 2021年6月14日
接受 2021年7月16日
发表 2021年7月27日

文摘

不饱和土壤作为压实路基回填,或基础材料反应不利地液压约束环境下由于膨胀和收缩周期响应季节性变化。要克服这些不良条件下,添加剂稳定过程是用来改善土壤的体积变化现象。然而,使用辅助粘结剂制成的固体废弃物基粉末材料已成为必要的应对危险的温室由于使用普通水泥。与此同时,一些研究正在开展设计基础设施甚至不足的限制或缺乏有效的设计所需的设备性能。智能预测技术被用来克服这个缺点,本研究工作的主要目的。因此,在这项工作中,遗传规划(GP)和人工神经网络(ANN)被用来预测一致性限制,即。,liquid limits, plastic limit, and plasticity index of unsaturated soil treated with a composite binder known as hybrid cement (HC) made from blending nanostructured quarry fines (NQF) and hydrated-lime-activated nanostructured rice husk ash (HANRHA). The database needed for the prediction operation was generated from several experiments corresponding with treatment dosages of HANRHA between 0 and 12% at a rate of 0.1%. The results of the stabilization exercise showed substantial development on the soil properties examined, while the prediction exercise showed that ANN outclassed GP in terms of performance evaluation, which was conducted using sum of squared error (SSE) and coefficient of determination (R2)指数。一般来说,纳米结构组件的粘合剂材料导致了成功实现在土壤改良和效率的预测模型。

1。介绍

1.1。土壤改良和稳定技术和目的

总体而言,许多好处,从经济和环境友好性引发了物理、化学、机械、生物、或改变自然土壤结合实践来满足一个工程的目的。土壤改良包括提高其承载能力、抗拉强度、岩土和一般性能和结构应用1]。土壤稳定因此导致改善土壤强度,耐久性刚度,减少土壤塑性和膨胀/收缩倾向。各种技术已被用于土壤稳定基础上研究涉及各种各样的材料,如氢氧化钠添加剂、粉煤灰geopolymeric绑定,灰烬,胶结绑定,以确定其适用性土壤稳定剂。一般来说,土壤稳定可以分为机械稳定性和化学稳定性。机械稳定诱发土壤层次的变化与其他类型的混合土壤的各种规格和属性。这导致一个压实土的质量,使用时可以扮演更严重或关键角色为基础或结构材料。相反,化学稳定涉及到调整的土壤属性包含的化学活性材料改进的性能。土壤稳定的技术和技术是动态作为额外的稳定产品正在研究[2]。的产品,主要是叫非传统稳定剂,已被Scholen[分为五组3),即:电解质、酶、矿物质音高,粘土填料,和丙烯酸聚合物2]。

已经尝试确定氯化钙溶液的相对效率,氢氧化钠溶液,在稳定膨胀土和石灰沉淀比较物理化学和索引属性,固结仪膨胀势和土壤样品处理的无侧限抗压强度(4]。在上述研究中,相对效率的熟石灰和沉淀石灰稳定膨胀土进行了探讨。观察从实验室工作,将膨胀土与氯化钙和氢氧化钠的解决方案仅仅增强只有短期反应,而膨胀土的综合治疗与氯化钙和氢氧化钠溶液产生石灰沉淀,这可能引发短期lime-changing和长期soil-lime火山灰反应。土壤稳定也可以执行使用微生物诱导碳酸钙沉淀(MICP)。事实上,大多数作者认为相对常规渗碳方法,MICP土壤改良提供了一种替代方法和环保的方法(5- - - - - -7]。显著提高抗剪强度、延性和破坏应变与纤维除了取得MICP-treated沙(8,9]。此外,它在裁判。10)纤维增强的凝聚力和内摩擦角砂在不同纤维混纺比例显著提高。最终,包含纤维改善土壤的延性阻碍甲流强度的损失(11]。

同样的,在他们的研究中,赵et al。12)给一个清晰的了解自然的机械和物理性能,纤维,和土壤化学添加剂在载重铁路路堤稳定。他们进行了一系列的三轴压缩测试样本在不同制备条件下稳定,包括含水量、压实程度、围压、纤维含量、纤维长度、稳定剂含量、固化时间。他们的调查结果进一步证实,自然土壤的抗剪强度假设后明显改善纤维和化学添加剂稳定。然而,他们发现稳定材料的脆性行为。添加剂的混合,它将释放铝、钙、硅、和其他重要的土壤养分,有助于关闭空间或孔隙中存在的土壤基质(13]。Onyelowe et al。13)补充说,有一个相应的位移反应基于金属电化学系列的订单,这是重要的营养物质的形成。因此,有一个煅烧反应参与了土壤稳定过程,即钙的氢离子取代dipole-adsorbed水分和替换所需的钠离子肿胀粘质土壤的潜力。这一般过程的结果在火山灰反应,最终生成铝硅钙水合物。这些过程和响应负责土壤稳定。

1.2。使用纳米材料对提高一致性限制和其他不饱和土壤的重要参数

土壤稳定使用纳米材料不仅积极影响剪切或抗压强度属性单独治疗的不饱和土壤,还增强了土壤的强度材料在一起或土壤的抗变形和断裂,称为土壤一致性(13]。土壤的含水量的变化从一种状态到另一种被称为一致性限制,分为液限,收缩极限和塑性极限。纳米技术领域是一个很有前景的领域,提供了无法估量的土壤改良选择岩土工程和结构工程师。纳米材料构成通常整个土壤基质的一小部分,有一个规模在1 - 100纳米的范围1,14]。在他们的实验研究使用实验室样品执行不同数量的淤泥土和纳米黏土,Bahari et al。15)说,在淤泥中使用纳米黏土稳定将增强一致性限制和其他重要的土壤参数。最佳含水量,最大的干容重和塑性指数已报告受到添加石灰或水泥的影响(16]。同样报道,与液限粘土掺合料可以获得40%到60%的范围的水泥(4%至12%17]。同时,这项研究进一步表示,粘土质与液体外加剂限制只能达到60%以上这浪费的数量可观的水泥。Asma Muhmed和Wanatowski18)评估熟石灰的影响含水率黏土的强度和微观结构。为了证实这种效应,他们进行了一系列的实验室测试,以确定界限含水量、压实测试,无侧限抗压强度测试,扫描电子显微镜使用高岭土熟石灰混合了5%。他们表示,将石灰降低艾滋病的高岭土的可塑性。粘土含量的估计是大规模的土壤异质性建模和预测的关键(16,19]。所有这些参数的综合影响,他们互相影响、彼此的结合仍然需要探索。

1.3。进化计算技术预测一致性限制:遗传编程和人工神经网络

最近,重要的进化计算的使用,一个家庭的以人群为基础的试错解决问题与metaheuristic或随机全局优化优化性格受生物进化的启发,一个人工智能和软计算领域,出现了(20.]。因为他们的生产能力高度优化的解决方案在很多习题,进化计算与生物系统与动力系统的理论,因为它们是用来预测系统未来的行为空间。人工智能有许多优于现有方法用于土木工程、开发、和实践(21]。

研究表明,人工智能算法的结合可以提高预测效率(22]。总的来说,领域的统计、数值和便于理解数据的优化是至关重要的方面,描述数据集的性质,发现数据和模式的关系,以及选择和实施合适的人工智能模型。目前,许多进化计算技术,如人工神经网络(ANN),模糊逻辑(FL),自适应neurofuzzy推理系统(简称ANFIS)、支持向量机(SVM),遗传编程和遗传算法已经应用于预测和预报关键的工程参数(23- - - - - -27]。在这些机器学习方法,ANN模型和遗传编程(GP)技术已被证明非常有用的由于其强大的计算能力,每个模型都有其各种性能能力对要解决的问题或数据被分析。安是基于连接的装配单元或节点称为人工神经元,它大致模型生物大脑中的神经元相互连接,就像生物大脑突触,发送一个信号到其他神经元,而医生技术发展计划,从人口不称职或随机程序,适合一个特定的任务通过使用操作的角色类似于自然遗传过程的人口计划。网络使他们的预测,通过调整权重通过一系列反复提出的例子输入和输出变量最小化理论结果之间存在一个误差值和ANN-predicted结果28]。网络已经成功地应用于桩承载力预测,模拟土壤行为,网站描述,挡土墙结构,解决结构、边坡稳定,设计的隧道和地下开口,液化,土壤渗透率和渗透系数、土壤压实、肿胀、土壤和土壤分类问题(29日]。使用ANN模型的预测也反映在各种机械和土壤物理性质如一致性限制和其他稳定土的强度特性30.- - - - - -33]。此外,进化预测的改善土壤的物理和机械性能,如无侧限抗压强度(UCS),内部摩擦系数的一致性和分级,对掺合料接触的百分比(如水泥含量)进行了许多新兴的研究人员没有特别感兴趣的预测一致性限制(33- - - - - -36]。同样,在文献[37),作者预测的性能特点稳定土壤利用遗传编程的一个变种,即线性遗传规划(LGP)和混合搜索算法耦合LGP和模拟退火(SA),称为LGP / SA。在自己的努力,Naderi et al。38)提出了两种数值模型采用GP土壤压实参数的估计。然而,他们的输入变量是土壤分类属性和输出变量最优含水率(OMC)和最大的干密度(MDD)。

一定的使用nanobinders界限含水量等土壤改善关键参数的不饱和土壤尚未完全评估。此外,也没有一个进化计算方法,比较了表演的GP和ANN模型在预测土壤一致性限制(液限、塑限、塑性指数)使用nanobinder混合水泥,引发的效应影响粘土含量和粘土活动与其他土壤介质的强度性质。当前的研究采用GP和安的使用模型预测的一致性限制,即塑性极限(Wp)、液限(Wl)和塑性指数(我p),nanobinder-improved土壤从实验测量的物理和机械性能,如混合水泥重量百分数(Hc)、粘土活动(Ac)和粘土含量(C)除了已经实验估计预测价值,并比较相同。

2。方法

2.1。材料准备

收集的土壤的深度0.5米(避免碎片)取土坑的桃金娘花(红色标志)位于Umuahia,如GIS地图如图所示1;晒干的3天;和存储的实验。稻壳灰生成的燃烧稻壳得到从农场Abakaliki垃圾场和当地水稻磨坊,人民的主要职业是水稻种植。这农工业的废物处置是一个巨大的环境问题在Ebonyi状态,尼日利亚,由于缺少废物管理系统。稻壳灰(RHA)进一步粉碎细度与200 nm已筛筛子获得纳米或nanotextured稻壳灰(NRHA)。进一步,为了提高NRHA绑定能力,5%重量NRHA熟石灰(Ca(哦)2)是混合了NRHA及允许反应48小时获得hydrated-lime-activated nanotextured稻壳灰(HANRHA)。同时,nanotextured采石场罚款(NQF)获得的完全粉碎猎物尘埃细度和粉末通过200海里筛子。最后,胶结复合,为这项工作的目的是叫混合水泥(HC),是由混合生成HANRHA和NQF比1:0.1%。这些实验材料的特点和存储用于稳定过程。

(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
图1
位置地图的取土坑13]。
2.2。实验方法

材料处理条件的英国国际标准(BSI) (BS1377, 1990)坚持在描述土壤的引用。在上述标准条件下,土壤颗粒的分布,压实,一致性限制,比重,肿胀的潜力被确定。为了确定的复合氧化物的成分胶结复合粘结剂材料(NRHA、NQF和HC)、x射线荧光光谱仪测试进行坚持标准ASTM E1621-13条件(2013),和为了实现更加可靠和精确的结果,准备和混合标本的标本相当的同质性。同时,紫外-可见分光光度计测试是进行土壤,NRHA, NQF确定纳米颗粒的变形吸光度曝光。此外,HC生成稳定运动的土壤进行了坚持的标准条件BS1924(1990)和一系列的数据值之间的不同比例的HC生成0%和12%按重量的干土率为0.1%。对土壤的研究参数如下:预测:粘土含量(C)和粘土活动(Ac);目标:液限(Wl)、塑性极限(Wp),塑性指数(我p)。此外,生成的数据集(见表1)部署在智能预测运动采用遗传规划(GP)和人工神经网络技术。
Hc C 交流 Wl Wp 我p
训练数据集
0.067 0.235 1.310 0.465 0.168 0.297
0.065 0.235 1.300 0.470 0.170 0.300
0.104 0.239 0.820 0.333 0.140 0.193
0.064 0.235 1.330 0.472 0.170 0.302
0.093 0.238 1.000 0.370 0.150 0.220
0.117 0.240 0.670 0.285 0.130 0.155
0.080 0.237 1.130 0.410 0.150 0.260
0.079 0.237 1.140 0.415 0.154 0.261
0.035 0.232 1.700 0.570 0.190 0.380
0.078 0.236 1.160 0.418 0.154 0.264
0.055 0.234 1.400 0.500 0.180 0.320
0.021 0.231 1.800 0.609 0.199 0.410
0.047 0.233 1.500 0.527 0.180 0.347
0.008 0.231 1.870 0.641 0.208 0.433
0.028 0.232 1.750 0.595 0.191 0.404
0.003 0.230 1.960 0.656 0.209 0.447
0.050 0.234 1.500 0.520 0.180 0.340
0.099 0.239 0.940 0.363 0.152 0.211
0.083 0.237 1.110 0.398 0.151 0.247
0.089 0.238 1.000 0.375 0.152 0.223
0.012 0.231 1.810 0.621 0.203 0.418
0.037 0.233 1.650 0.567 0.190 0.377
0.096 0.238 0.990 0.368 0.151 0.217
0.076 0.236 1.190 0.428 0.159 0.269
0.048 0.234 1.500 0.526 0.181 0.345
0.026 0.232 1.790 0.598 0.190 0.408
0.031 0.232 1.700 0.588 0.192 0.396
0.108 0.240 0.750 0.315 0.139 0.176
0.007 0.231 1.880 0.645 0.208 0.437
0.002 0.230 1.960 0.657 0.209 0.448
0.036 0.232 1.690 0.568 0.189 0.379
0.060 0.235 1.400 0.490 0.180 0.310
0.119 0.241 0.620 0.276 0.132 0.144
0.068 0.235 1.300 0.456 0.159 0.297
0.100 0.239 0.900 0.360 0.150 0.210
0.058 0.234 1.420 0.494 0.179 0.315
0.009 0.231 1.850 0.635 0.209 0.426
0.001 0.230 1.980 0.660 0.210 0.450
0.000 0.230 2.000 0.660 0.210 0.450
0.109 0.240 0.720 0.311 0.140 0.171
0.070 0.236 1.300 0.450 0.160 0.290
0.041 0.233 1.590 0.557 0.190 0.367
0.073 0.236 1.260 0.437 0.159 0.278
0.034 0.232 1.690 0.574 0.190 0.384
0.102 0.239 0.860 0.355 0.151 0.204
0.017 0.231 1.790 0.613 0.200 0.413
0.030 0.232 1.700 0.590 0.190 0.400
0.044 0.233 1.520 0.536 0.184 0.352
0.052 0.234 1.460 0.511 0.177 0.334
0.018 0.231 1.810 0.613 0.201 0.412
0.020 0.231 1.800 0.610 0.200 0.410
0.074 0.236 1.230 0.434 0.160 0.274
0.016 0.231 1.800 0.614 0.200 0.414
0.090 0.238 1.000 0.370 0.150 0.220
0.066 0.235 1.310 0.468 0.171 0.297
0.082 0.237 1.110 0.403 0.150 0.253
0.098 0.238 0.970 0.365 0.151 0.214
0.033 0.232 1.710 0.579 0.191 0.388
0.087 0.237 1.000 0.383 0.149 0.234
0.059 0.235 1.410 0.491 0.177 0.314
0.029 0.232 1.720 0.592 0.190 0.402
0.105 0.239 0.800 0.330 0.140 0.190
0.071 0.236 1.290 0.448 0.163 0.285
0.023 0.232 1.800 0.606 0.196 0.410
0.088 0.237 1.000 0.379 0.152 0.227
0.013 0.231 1.800 0.619 0.202 0.417
0.101 0.239 0.880 0.357 0.149 0.208
0.057 0.234 1.410 0.496 0.179 0.317
0.097 0.238 0.980 0.367 0.151 0.216
0.039 0.233 1.610 0.563 0.190 0.373
0.019 0.231 1.800 0.612 0.201 0.411
0.077 0.236 1.180 0.424 0.160 0.264
0.107 0.239 0.780 0.324 0.139 0.185
0.056 0.234 1.400 0.499 0.180 0.319
0.040 0.233 1.600 0.560 0.190 0.370
0.022 0.232 1.800 0.607 0.197 0.410
0.049 0.234 1.500 0.523 0.180 0.343
0.042 0.233 1.570 0.549 0.187 0.362
0.038 0.233 1.640 0.565 0.189 0.376
0.072 0.236 1.270 0.443 0.161 0.282
0.095 0.238 1.000 0.370 0.150 0.220
验证数据集
0.063 0.235 1.350 0.477 0.173 0.304
0.010 0.231 1.800 0.630 0.210 0.420
0.032 0.232 1.700 0.584 0.189 0.395
0.075 0.236 1.200 0.430 0.160 0.270
0.112 0.240 0.710 0.303 0.137 0.166
0.069 0.236 1.300 0.452 0.159 0.293
0.005 0.230 1.900 0.650 0.210 0.440
0.111 0.240 0.700 0.307 0.139 0.168
0.091 0.238 1.000 0.370 0.150 0.220
0.085 0.237 1.000 0.390 0.150 0.240
0.084 0.237 1.100 0.393 0.150 0.243
0.006 0.231 1.880 0.648 0.208 0.440
0.053 0.234 1.430 0.508 0.181 0.327
0.094 0.238 1.000 0.370 0.150 0.220
0.054 0.234 1.410 0.503 0.180 0.323
0.045 0.233 1.500 0.530 0.180 0.350
0.115 0.240 0.700 0.290 0.130 0.160
0.086 0.237 1.000 0.388 0.150 0.238
0.106 0.239 0.790 0.328 0.140 0.188
0.118 0.241 0.650 0.278 0.130 0.148
0.114 0.240 0.710 0.294 0.132 0.162
0.062 0.235 1.370 0.483 0.176 0.307
0.113 0.240 0.710 0.298 0.134 0.164
0.004 0.230 1.930 0.653 0.208 0.445
0.011 0.231 1.800 0.625 0.206 0.419
0.103 0.239 0.840 0.346 0.149 0.197
0.024 0.232 1.800 0.604 0.194 0.410
0.043 0.233 1.550 0.541 0.185 0.356
0.110 0.240 0.700 0.310 0.140 0.170
0.120 0.241 0.600 0.270 0.130 0.140
0.051 0.234 1.480 0.515 0.177 0.338
0.027 0.232 1.770 0.597 0.191 0.406
0.025 0.232 1.800 0.600 0.190 0.410
0.092 0.238 1.000 0.370 0.150 0.220
0.014 0.231 1.810 0.617 0.201 0.416
0.116 0.240 0.690 0.287 0.128 0.159
0.015 0.231 1.800 0.615 0.200 0.415
0.081 0.237 1.120 0.407 0.149 0.258
0.046 0.233 1.500 0.528 0.180 0.348
0.061 0.235 1.380 0.486 0.178 0.308
表1
使用数据库。
2.3。统计分析和研究模型项目
2.3.1。收集数据库

共有121个土壤样本进行了测试,以确定以下物理机械性能:(我)混合水泥重量百分数(HC)(2)粘土含量(C)(3)粘土活动(Ac)(iv)液限(Wl)(v)塑性极限(Wp)塑性指数(我p)

测量数据分为训练集(81条记录)和验证组(40记录)。表1包括完整的数据集,而表2总结了其统计特征。
Hc C 交流 Wl Wp 我p
训练集
Max。 0.00 0.23 0.62 0.28 0.13 0.14
最小值 0.12 0.24 2.00 0.66 0.21 0.45
Avg 0.06 0.23 1.39 0.49 0.17 0.32
SD 0.03 0.00 0.37 0.11 0.02 0.08
Var 0.58 0.01 0.27 0.22 0.13 0.27
验证设置
Max。 0.00 0.23 0.60 0.27 0.13 0.14
最小值 0.12 0.24 1.93 0.65 0.21 0.45
Avg 0.07 0.24 1.26 0.46 0.17 0.29
SD 0.04 0.00 0.43 0.13 0.03 0.10
Var 0.58 0.01 0.34 0.28 0.16 0.35
表2
统计分析收集到的数据库。
2.3.2。研究模型程序

GP和安技术被用来预测土壤测试的一致性限制。两个GP模型和一个ANN模型是预测液限的值(Wl)、塑性极限(Wp),塑性指数(我p)使用测量混合水泥重量百分数(HC)、粘土含量(C),(Ac)和粘土的活动。发达GP模型从最简单的开始(两个级别的复杂性),停在三个层次的复杂性,因为模型的准确性不能进一步改善。ANN模型被开发来比较这两种技术的精度;它是基于一个简单的反向传播网络没有隐藏层线性激活函数(y=x)。所有模型的预测精度是评价的平方误差的总和(SSE)。简单的公式允许有限的房间最有效的变量,而复杂的公式允许更多的房间少有效的变量。因此,考虑变量可以排名根据他们对输出的影响。表3显示发达GP模型的特点,而图1显示了开发了ANN模型的布局。
模型没有。 不。的水平 使用变量 人口规模 幸存者大小 不。一代又一代的 突变的存在
1 2 Hc,C交流,Wl,Wp,我p、1、3、5、7、11 50000年 15000年 One hundred. 5%
2 3 100000年 30000年 200年
表3
发达GP模型的特点。

下一节讨论了每个模型的结果。开发模型的精度评估通过对比(SSE)之间的预测和计算一致性限制的值。所有开发模型的结果总结表4。
财产 %通过0.075毫米 NMC 噢 PL π SP SG AASHTO MDD OMC
价值 45 14 66年 21 45 23 1.24 A-7-6 1.25 16
单位 % % % % % % - - - - - - - - - - - - 克/厘米3 %
表4
初步的属性引用土壤饱和度60%。

3所示。结果与讨论

3.1。初步分类

表4和图2显示土壤的初步性质,显示土壤潜在的肿胀,可塑性高,缺乏力量作为基础材料。数据3- - - - - -5的紫外-可见光谱光度测量的土壤nanographs、NRHA NQF,分别显示HC组成材料的吸光度和能力形成一个均匀的混合物在HC复合土壤。它也显示了材料表面形成成核的能力为了通过离子交换和水化反应。最后,砖红壤性土的压实特性样本呈现在图6(13]。


图2
粘性土的粒度分布曲线和稻壳灰13,26]。

图3
吸光度和波长变化的砖红壤性土使用紫外-可见分光光度计25°C。

图4
吸光度与波长变化NRHA使用紫外-可见分光光度计在25°C。

图5
紫外可见光谱图NQF [13]。

图6
砖红壤性土的压实特征样本(13]。

从以前的研究结果13),观察到“RHA展出凝胶状porous-valve结构放大级别100微米。此外,大孔隙的存在可以观察在扫描电子显微镜照相术,这说明了轻型结构和农业废弃物的多孔结构。类似地,土壤的SEM图像描绘了一个层压结构分散,大,薄粘土血小板。蒙脱石是符合弹性板的结构与薄毛细裂纹的存在。此外,聚合物大多安排在面对面的交流风格”。这些形态特征为活性和火山灰能力测试材料的纳米结构用于这项研究。

表5显示了实验材料的铝硅酸盐成分光谱仪测试。这表明HC,现从混合HANRHA NQF,观察铝硅酸盐含量最高的97.15%和87.74%,NRHA NQF 83.97%对应的总成分2O3、SiO2,菲2O3。因此,补充胶结材料(SCM)提出的设计条件ASTM C618(1978)表明,HC高度胶结土壤中,可以用作粘结剂治疗实验。从上述要求,可以看出,HC的杂化复合NRHA和NQF绑定材料更高的能力。它可以观察到,不同比例的增加多个绑定持续改进研究对土壤参数,这是由于水化,火山灰反应,阳离子交换,和致密化处理土壤增加绑定和从根本上由于粘结剂成分的纳米结构,从而增加了表面活性。增加的成核和活性表面通过nanotexturing采石场的灰尘和RHA通过完整的粉碎和nanosieving已经被证明是对这个练习的土工技术具有重要意义。这个线性改进研究非饱和土的参数有巨大影响的性能提出的模型。
材料 氧化物的成分(内容按重量%)
SiO2 艾尔2O3 曹 菲2O3 分别以 K2O Na2O TiO2 合作意向书 P2O5 所以3 红外 免费的曹
粘质土壤 12.45 18.09 2.30 10.66 4.89 12.10 34.33 0.07 - - - - - - 5.11 - - - - - - - - - - - - - - - - - -
NRHA 57.48 22.72 4.56 3.77 4.65 2.76 0.01 3.17 0.88 - - - - - - - - - - - - - - - - - - - - - - - -
NQF 62.48 18.72 4.83 6.54 2.56 3.18 - - - - - - 0.29 1.01 - - - - - - - - - - - - - - - - - - - - - - - -
HC 66.5 27.8 1。3 2.85 1。5 0.03 - - - - - - 0.02 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
红外光谱是不溶残渣;定律是损失点火。
表5
化学氧化物添加剂的复合材料。
3.2。预测的一致性限制价值用GP和安
3.2.1之上。模型(1):全科医生的两个级别的复杂性

只有两个级别的复杂性,这个模型是最简单的一个。方程(1)- (3)输出公式(Wl),(Wp)和(我p),分别,而数字7(一),8(一),9分别(a)展示他们的表现健身。设置错误%值(总Wl),(Wp)和(我p)(2.3%),(2.5%),和(1.8%),分别,(R2)值(0.992),(0.969)和(0.997),(见表6)。这些模型的行为认同的预测模型性能的作品Onyelowe et al。13,33),Elbosraty et al。39],和Onyelowe Shakeri [20.]。

(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
图7
预测和计算之间的关系W l使用开发GP和ANN模型)值。
(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
图8
预测和计算之间的关系W p使用开发GP和ANN模型)值。
(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
图9
预测和计算之间的关系我 p使用开发GP和ANN模型)值。
土壤性质 模型没有。 输出公式 错误% R2
培训 验证 总 培训 验证 总
Wl 1 方程(1) 2.0 2.9 2.3 0.993 0.991 0.992
2 方程(4) 1。6 2.0 1。7 0.996 0.994 0.995
3 方程(7) 1。2 1。2 1。2 0.999 0.997 0.998
Wp 1 方程(2) 2.3 2.9 2.5 0.972 0.967 0.969
2 方程(5) 2.1 2.7 2.3 0.975 0.970 0.972
3 方程(8) 1。9 2.2 2.0 0.982 0.977 0.979
我p 1 方程(3) 1。7 1。9 1。8 0.998 0.996 0997年
2 方程(6) 1。5 1。8 1。6 0.998 0.996 0.997
3 方程(9) 1。5 1。5 1。5 0.999 0.997 0.998
表6
发达的全科医生和安模型的精度。
3.2.2。模型(2):GP三个层次的复杂性

下一步是提高水平的复杂性提高预测精度;因此,三个层次的复杂性被用于这个模型。输出见方程(4)- (6),他们的健康数据所示7(b),8(b)9(b),错误% (R2)值提高(1.7%)−(0.995),(2.3%)−(0.972),和(1.6%)−(0.997)对整个数据集,分别为(见表6)。这些模型的行为认同的预测模型性能的作品Onyelowe et al。13],Onyelowe和Shakeri [20.],ELbosraty et al。39]。封闭方程显示这个模型的研究变量的影响和实用性的设计,施工,监测路基基础设施的性能。

3.2.3。模型(3):利用bp ANN

最后,一个简单的bp ANN被用来比较这两种技术的精度。使用网络布局和其连接权值见图10。由于使用安有一个线性的激活函数,它相当于一组多变量线性方程见方程(7)- (9)。这些方程的全部数据集错误%值(1.2%),(2.0%),(1.5%),(R2)值(0.998),(0.979)和(0.998),(见表6)。计算值和预测值之间的关系如图7(c),8(c)9(c)。这些性能指标同意的结果Onyelowe et al。26,40)性能缺陷不到2%,精度在95%以上。这表明ANN-predicted模型足够可靠的用于路基的设计和施工。


图10
布局发达安和其连接权值。

4所示。结论

本研究提出了三种模式(两个GP模型和一个ANN模型)预测一致性限制液限的值(Wl)、塑性极限(Wp),塑性指数(我p)使用测量混合水泥重量百分数(HC)、粘土含量(C),(Ac)和粘土的活动。比较发达的精度模型的结果可以得出以下几点:(我)所有模型的预测精度非常接近(97.5%至98.5%),使优势第一个模型(最简单的一个)。(2)第一个模型表明,输出Wl值是由Ac和HC,Wp值只取决于交流,最后,我p值是由Ac和控制C值。(3)尽管第三个模型使用一个非常简单的安配置(不隐藏层和线性激活函数),还能够确定准确的输入和输出之间的关系。它显示一个精度水平略高于GP模型。(iv)的值我p预测的独立Wl和Wp值的三个模型提高预测精度,避免错误发达公式的减刑Wl和Wp。然而,发达的公式我p在第三个模型满足的关系我p=Wl−Wp。(v)像任何其他回归技术,生成的公式是有效的在考虑范围内的参数值;超出这个范围,预测精度应该验证。

数据可用性

底层数据支持这项研究的结果已经发表在《手稿。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

引用

  1. a . a . Firoozi c Guney Olgun, a . a . Firoozi和m . s . Baghini”土壤稳定基础。”国际地球工程杂志,8卷,不。1,p。26日,2017。视图:出版商的网站|谷歌学术搜索
  2. k . c . Onyelowe f . o .奥卡福,“土壤改性方法的比较评论,”ARPN地球科学杂志》上,1卷,不。2、2012。视图:谷歌学术搜索
  3. d·e·Scholen非标准的稳定剂联邦高速公路管理局,华盛顿,美国,1992年。
  4. t . Thyagaraj z塞缪尔,k . s . r . Kumar“相对效率的电解质稳定膨胀土,“国际岩土工程杂志》上,10卷,不。2、107 - 113年,2016页。视图:出版商的网站|谷歌学术搜索
  5. m·伯班克t J韦弗,r·刘易斯·t·威廉姆斯,b·c·威廉姆斯和r·克劳福德“岩土测试金沙bioinduced方解石沉淀由土著细菌催化后,“岩土和Geoenvironmental工程杂志》上卷,139年,第936 - 928页,2013年。视图:谷歌学术搜索
  6. j·t·德琼·m·b·Fritzges, k . Nusslein”控制微生物引起的胶结砂回应不排水抗剪,“岩土和Geoenvironmental工程杂志》上,卷132,不。11日,第1392 - 1381页,2006年。视图:谷歌学术搜索
  7. l . a . Van Paassen r . Ghose用t . j . m .范德林登w·r·t·范德明星,和m . c . m . Van Loosdrecht”量化biomediated地面改进ureolysis:大规模biogrout实验中,“岩土与Geoenvironmental工程杂志》上,卷136,不。12日,第1728 - 1721页,2010年。视图:出版商的网站|谷歌学术搜索
  8. m . l . Li Li Ogbonnaya, k, c·李和f . Amini”实验调查MICP-treated金沙钢筋的力学性能离散随机分布的纤维,”Geo-Chicago 2016陈纯图书馆,莱斯顿,弗吉尼亚州,美国,2016年。视图:出版商的网站|谷歌学术搜索
  9. 公元前马丁内斯,j·t·德琼·t·r·Ginn et al .,“实验优化microbial-induced碳酸盐沉淀为土壤改良,“岩土和Geoenvironmental工程杂志》上,卷139,不。4、587 - 598年,2013页。视图:出版商的网站|谷歌学术搜索
  10. w·邵Cetin, y,李和l . j . Li”试验研究金沙钢筋的力学性能离散随机分布的纤维,”岩土工程和地质工程,32卷,不。4、901 - 910年,2014页。视图:出版商的网站|谷歌学术搜索
  11. m·h·马赫和y . c . Ho”高岭石/纤维土综合机械性能”,岩土工程学报,卷120,不。8,1381 - 1393年,1994页。视图:谷歌学术搜索
  12. 赵y, y, x, g . Li和w·龚”自然砂土壤和改良土壤力学行为的载重铁路路堤、”土木工程的发展卷,2020篇文章ID 8843164, 12页,2020。视图:出版商的网站|谷歌学术搜索
  13. k . c . Onyelowe a . Ebid l . Nwobia和l . Dao-Phuc”预测和性能分析的压缩指数multiple-binder对待土壤通过遗传规划方法,”纳米技术在环境工程》第六卷,2021年。视图:出版商的网站|谷歌学术搜索
  14. z . p . Aguilar”类型的纳米材料和相应的合成方法。”纳米材料在医学应用爱思唯尔,荷兰阿姆斯特丹,2013年。视图:出版商的网站|谷歌学术搜索
  15. m . Bahari m . Nikookar m . Arabani a . k . Haghi和h . Khodabandeh“稳定粉土的试验结果,在第七届全国代表大会在土木工程学报》上、扎黑丹、伊朗,2013年5月。视图:谷歌学术搜索
  16. m .到了m . Asgari和m . Mousivand”水泥和石灰处理对岩土性质的影响低塑性粘土,”土木工程学报》国际会议、建筑和城市可持续发展大不里士,伊朗,2013年12月。视图:谷歌学术搜索
  17. 依Stavridakis”,影响液限和水化水泥稳定粘土掺合料”岩土工程和地质工程,17卷,不。2、145 - 154年,1999页。视图:出版商的网站|谷歌学术搜索
  18. a . m . Asma Muhmed和d . Wanatowski”效应的石灰稳定土的强度和微观结构,”IOSR机械和土木工程杂志》上》第六卷,没有。3、87 - 94年,2013页。视图:出版商的网站|谷歌学术搜索
  19. m . n . Wuddivira d·a·罗宾逊,勒布朗et al .,“估计土壤的粘粒含量从吸湿水含量测量,”美国土壤科学学会杂志》上卷,76年,第1535 - 1529页,2012年。视图:出版商的网站|谷歌学术搜索
  20. k . c . Onyelowe和j . Shakeri“智能预测曲率系数和均匀混合水泥改性不饱和土壤NQF包容,“清洁工程和技术,4卷,2021年。视图:出版商的网站|谷歌学术搜索
  21. y辛格,p . Bhatia, o .从“回顾研究机器学习技术,”国际计算机科学杂志和安全,1卷,2007年。视图:谷歌学术搜索
  22. m·a·克劳斯和m . Drass”人工智能建筑玻璃工程applications-overview、案例研究和未来的潜力,”玻璃结构和工程,5卷,不。3、247 - 285年,2020页。视图:出版商的网站|谷歌学术搜索
  23. a . Cuneyt艾登、a . Tortum和m .•“预测混凝土的弹性模量采用自适应神经模糊推理系统,”土木工程和环境系统,23卷,不。4、295 - 309年,2006页。视图:出版商的网站|谷歌学术搜索
  24. f . Demir”的新方法预测正常的弹性模量和高强度concrete-fuzzy逻辑,“水泥和混凝土的研究,35卷,不。8,1531 - 1538年,2005页。视图:出版商的网站|谷歌学术搜索
  25. f . Demir”,正常和高强度混凝土的弹性模量预测的人工神经网络,”建筑和建筑材料,22卷,不。7,1428 - 1435年,2008页。视图:出版商的网站|谷歌学术搜索
  26. k . c . Onyelowe m·伊克巴尔·塔拉,m . Onyia和发表意见,“安3算法编程应用预测的强度性能熟石灰激活稻壳灰处理土壤,“多尺度和多学科建模、实验和设计2021 b。视图:出版商的网站|谷歌学术搜索
  27. 施k燕和c”,正常和高强度混凝土的弹性模量预测的支持向量机,”建筑和建筑材料,24卷,不。8,1479 - 1485年,2010页。视图:出版商的网站|谷歌学术搜索
  28. g·s·潘德和美国Pietruszczak土壤压实,神经网络”《第五届国际研讨会在地质力学数值模型达沃斯,瑞士,1995年9月。视图:谷歌学术搜索
  29. 穆罕默德,b . j .马克,r . m . Holger“人工神经网络应用于岩土工程”,澳大利亚地质力学杂志,36卷,不。1,49 - 62年,2001页。视图:谷歌学术搜索
  30. g·w·埃利斯,c .姚明,r·赵”的神经网络模型沙的力学行为,”工程力学,第424 - 421页,1992年。视图:谷歌学术搜索
  31. l . v . Fausett基本面因素神经网络:体系结构、算法和应用程序新世纪,Inc .,恩格尔伍德悬崖,新泽西,美国,1994年。
  32. 即洪水和n . Kartam土木工程的“神经网络。我:原则和理解。”计算机在土木工程杂志》上,8卷,不。2、131 - 148年,1994页。视图:出版商的网站|谷歌学术搜索
  33. k . c . Onyelowe a . m . Ebid m . e . Onyia和l . i Nwobia”预测纳米复合材料粘结剂改善了非饱和土UCS利用遗传规划,“纳米技术在环境工程》第六卷,没有。2、2021。视图:出版商的网站|谷歌学术搜索
  34. 施y, z, f .祖茂堂“路基稳定性的评价模型基于人工神经网络,”安全工程的国际期刊,10卷,不。5,679 - 688年,2020页。视图:出版商的网站|谷歌学术搜索
  35. a . Ebid”遗传规划在岩土工程中的应用”,Ain Shams大学,开罗,埃及,2004年,博士论文。视图:出版商的网站|谷歌学术搜索
  36. m·a·萨因“岩土工程系统的建模,遗传规划”遗传编程应用程序的手册a . Gandomi, a . Alavi和c·瑞恩,Eds。施普林格可汗,德国,2015年。视图:出版商的网站|谷歌学术搜索
  37. A . h . Alavi A . h . Gandomi, A . Mollahasani”基因programming-based方法固化土的性能评估,”变异的进化算法对真实世界的应用程序施普林格,柏林,德国,2012年。视图:出版商的网站|谷歌学术搜索
  38. n . Naderi p . Roshani m . z萨马尼和m . a . Tutunchian”应用遗传编程估计土壤的压实参数,“应用力学和材料卷,147年,第74 - 70页,2011年。视图:谷歌学术搜索
  39. a . h . Elbosraty a . m . Ebid和a·l·法耶德”(nk)预测因子(CPT)测试使用(GP):比较研究MEPX & GN7”国际科学与工程研究杂志》上,10卷,不。3,p。613年,2019年。视图:谷歌学术搜索
  40. k . c . Onyelowe t Gnananandarao, c . Nwa-David“敏感性分析和预测侵蚀度对非饱和土的改性纳米罚款的采石场灰尘使用人工神经网络小说,“纳米技术在环境工程》第六卷,没有。2,p . 37, 2021 d。视图:出版商的网站|谷歌学术搜索

版权©2021艾哈迈德·m·Ebid et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点494年
下载439年
引用

相关文章

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。