TY -的A2燕Xiaoan AU - Tran Van关丽珍PY - 2022 DA - 2022/09/25 TI -预测和调查土壤的渗透系数与辅助单台机器学习算法SP - 8089428六世- 2022 AB -土壤的渗透系数是岩土工程设计建设一项重要的措施。本文的目的是选择一个最高的性能和可靠的机器学习(ML)模型来预测土壤的渗透系数和量化特征重视土壤渗透系数的预测值与辅助机械上优于夏普利添加剂解释(世鹏科技电子)和部分依赖图1 d (PDP 1 d)。获得这个目的,五个单独的ML算法包括再邻居(资讯),支持向量机(SVM),光梯度提升机(LightGBM),随机森林(RF),梯度增加(GB)是用于构建毫升模型预测土壤的渗透系数。性能标准毫升模型包括相关系数 R ²均方根误差(RMSE),平均绝对百分误差(日军)和平均绝对误差(MAE)。最佳的性能和可靠的单一毫升模型为预测土壤的渗透系数测试数据集是梯度推进(GB)模型,它 R ²= 0.971,RMSE = 0.199×10⁻¹¹m / s,美= 0.161×10⁻¹¹m / s,日军= 0.185%。识别和量化特征重视土的渗透系数,敏感性研究使用排列重要性,沙普利(世鹏科技电子)添加剂的解释,部分依赖图1 d (PDP 1 d)执行与辅助最佳性能和可靠的ML模型GB。塑性指数、密度>含水量、液限、塑性极限>粘土含量>孔隙比是订单对渗透系数的预测值的影响。土的塑性指数和密度是第一要务土壤特性测量时评估土壤的渗透系数。SN - 1076 - 2787你——https://doi.org/10.1155/2022/8089428——10.1155 / 2022/8089428 JF - PB - Hindawi KW - ER -复杂性