Machine Translated by Google

Hindawi

Lập trình khoa học

Tập 2021, ID Bài báo 3625289, 13 trang
https://doi.org/10.1155/2021/3625289

Bài báo nghiên cứu

So sánh quy trình Gaussian và M5P để dự đoán đất

Hệ số thấm

1 1 1,3
Bình Thái Phạm , Hai-Bang Ly, Nadhir Al-Ansari 2 , và Lanh Si Ho
1
Đại học Công nghệ Giao thông vận tải, Hà Nội 100000, Việt Nam
2
Khoa Kỹ thuật Xây dựng, Môi trường và Tài nguyên Thiên nhiên, Đại học Công nghệ Lulea, 971 87 Lulea, Thụy Điển
3
Chương trình Kỹ thuật Dân dụng và Môi trường, Trường Cao học Khoa học và Kỹ thuật Tiên tiến, Đại học Hiroshima,

1-4-1 Kagamiyama, Higashi-Hiroshima, Hiroshima 739-8527, Nhật Bản

Thư tín nên gửi cho Bình ái Phạm; binhpt@utt.edu.vn, Nadhir Al-Ansari; nadhir.alansari@ltu.se,

and Lanh Si Ho; lanhhs@utt.edu.vn

Nhận ngày 7 tháng 5 năm 2021; Sửa đổi ngày 13 tháng 10 năm 2021; Được chấp nhận ngày 15 tháng 10 năm 2021; Xuất bản ngày 31 tháng 10 năm 2021

Biên tập viên học thuật: Shah Nazir

Bản quyền © 2021 Binh ai Pham et al. là một bài báo truy cập mở được phân phối theo Creative Commons Attribution

Giấy phép, cho phép sử dụng, phân phối và tái sản xuất không hạn chế trong bất kỳ phương tiện nào, miễn là tác phẩm gốc là

được trích dẫn hợp lý.

Hệ số thấm e (k) của đất là một trong những thông số quan trọng nhất ảnh hưởng đến các đặc tính của đất như cường độ cắt

hoặc giải quyết. chúng tôi, xác định hệ số thấm của đất là rất quan trọng; tuy nhiên, một thử nghiệm thực địa để xác định thông số này là

khó khăn, mất thời gian và tốn kém. Trong nghiên cứu này, các phương pháp tính toán mềm, cụ thể là M5P và quy trình Gaussian (GP), để

ước tính hệ số thấm đã được xây dựng và so sánh. e kết quả của bài báo này chỉ ra rằng hai mềm

các thuật toán tính toán hoạt động tốt trong việc dự đoán k. Hai phương pháp đều cho khả năng dự đoán chính xác cao. hệ số xác định của M5P e

(R2 � 0,766) cao hơn (R2 � 0,700) của GP. ngụ ý rằng mô hình M5P là

ước lượng đáng tin cậy hơn so với mô hình GP trong việc dự đoán hệ số thấm (k) của đất. chứng tỏ rằng việc áp dụng những chiếc máy này

kỹ thuật học có thể cung cấp một giải pháp thay thế để dự đoán các thông số cơ bản của đất, bao gồm cả hệ số thấm của đất.

1. Giới thiệu đa dạng về độ thấm của đất [3]. trước đó, việc xây dựng
kênh, đập, hoặc các công trình thoát nước có thể bị ảnh hưởng do
Tính thấm của đất là một trong những đặc điểm quan trọng nhất sự đa dạng về độ thấm của đất [4].
khi xem xét các ứng dụng xây dựng của nó. đất e e có thể đo được hệ số thấm của đất
hệ số thấm là một hệ số cho thấy chất lỏng thông qua các thử nghiệm hiện trường hoặc phòng thí nghiệm. Nó được chứng minh rằng

có thể chảy qua các khoảng trống được kết nối với nhau trong đất từ
năng lượng cao đến vị trí năng lượng thấp do thủy lực
độ dốc [1]. Đây là một tham số đầu vào quan trọng để thiết kế
hầu hết các cấu trúc địa kỹ thuật, bao gồm cả các bãi chôn lấp,
đập nối đuôi, hoặc đập đất [2]. Giá trị mong muốn của đất
hệ số thấm thường thay đổi tùy thuộc vào đất
loại và tuổi thọ của kết cấu. Ví dụ, mức cao
xác định hệ số thấm của đất tại hiện trường là
tốn kém, phức tạp, khá tốn công sức và thời gian
[5–7]. Trong khi đó, rất khó để đo lường trong phòng thí nghiệm
của hệ số thấm của đất để có được sự không bị xáo trộn
mẫu. Đặc biệt, các mẫu để kiểm tra độ chắc chắn trong phòng thí
nghiệm thường được hoàn nguyên để gần với các mẫu từ
cánh đồng. trước đó, các kết quả đo lường trong phòng thí nghiệm

hệ số thấm là cần thiết cho bộ lọc và thoát nước
xây dựng, trong khi hệ số thấm thấp lại bị hạn chế trong trường hợp
lớp lót bãi chôn lấp hoặc lõi của đập đất.
Nhiều yếu tố như mật độ, kích thước khoảng trống, loại khoảng trống
(khoảng trống liên kết với nhau), thành phần khoáng chất, hình dạng hạt và
độ nhám bề mặt của đất là yếu tố chính, chi phối
có thể không phản ánh giá trị thực của độ thấm của đất trong
ruộng vì sự tàn phá của vải đất khi lấy mẫu
[1]. e kết hợp các phép đo tại hiện trường và phòng thí nghiệm
dữ liệu cũng được thực hiện để xác định độ thấm của đất
hệ số vì những ưu điểm riêng và ưu nhược điểm của từng phép thử
[1, 5].
Machine Translated by Google
2 Lập trình khoa học
Ganjidoost và cộng sự. [2] báo cáo rằng ba yếu tố ảnh
hưởng đáng kể đến hệ số thấm của đất, đó là các thông số
đất dễ thấm (mật độ, hàm lượng sét, độ nhớt, v.v.), các
thông số vốn có của đất (giới hạn Atterberg, phân bố kích
thước hạt, v.v.), và độ chặt các yếu tố của đất (độ xốp,
hàm lượng nước, tỷ trọng, v.v.). Hầu hết các yếu tố này có
liên quan mật thiết với nhau. Theo báo cáo, hệ số thấm của
đất đã giảm hơn 100 lần khi tỷ lệ lọt qua sàng số 100 bị
nhăn trong khoảng từ 0 đến 7% [8]. Tiến hành một số thí
nghiệm với sự khác biệt về tỷ lệ phần trăm của đất biển
dạng hạt và ít dẻo, Shakoor và Cook [9] kết luận rằng hệ số
thấm của đất đã tăng lên đáng kể khi tăng tỷ lệ vật liệu
dạng hạt.
Tương tự, D'Appolonia [10] đã nghiên cứu đất kết hợp
bentonit và chứng minh rằng sự gia tăng các hạt mịn của đất
dẫn đến giảm hệ số khả năng thấm của chúng. Đối với đất
dính, hệ số thấm có thể giảm khi tăng chỉ số dẻo của đất
sét [11]. Người ta báo cáo rằng năng lượng đầm nén và hàm
lượng nước ảnh hưởng đáng kể đến hệ số thấm của đất [12].
Acar và Olivieri [13] đã xác minh rằng kích thước rỗng cũng
như tỷ lệ rỗng đã giảm đáng kể sau khi tăng năng lượng
đầm, dẫn đến giảm hệ số thấm của đất. Trước đó, những
người tìm kiếm đã nỗ lực hết sức để ước tính hệ số độ mòn
của đất bằng cách đề xuất nhiều công thức thực nghiệm
không chỉ
cho
đất dính [11, 14, 15], mà còn cả đất hạt [16–19]. Tuy
nhiên, hầu hết các công thức thực nghiệm được đề xuất dựa
trên các kết quả thu được trong phòng thí nghiệm, được
tiến hành trên các imens thông số kỹ thuật được xây dựng
lại hoặc bị xáo trộn. Hơn nữa, các mẫu để đo trong phòng
thí nghiệm thường bị hạn chế. Độ chính xác của các công
thức thực nghiệm phụ thuộc vào chất lượng của quá trình
chuẩn bị và thí nghiệm mẫu như chọn mẫu, chuẩn bị mẫu đồng
nhất và sử dụng các phương pháp thích hợp. Vì vậy, các công
thức này chỉ có thể áp dụng cho một số trường hợp cụ thể
chứ không thể dùng để tính hệ số thấm của đất cho tất cả
các trường hợp.
Gần đây, một số kỹ thuật tính toán mềm đã được đề
xuất và áp dụng để xác định hoặc dự đoán các tham số của
đất như mạng nơron nhân tạo (ANN), hệ thống suy luận mờ dựa
trên mạng thích ứng (ANFIS) và mô hình tối ưu hóa lai của
suy luận mờ dựa trên thuật toán di truyền hệ thống (GA-
ANFIS) [6, 7, 18, 20–22].
Ví dụ, nhiều nhà nghiên cứu đã sử dụng các mô hình học máy
như ANN, ANFIS và SVM hoặc các mô hình học máy kết hợp như
lưới thần kinh PSO-MLP để ước tính hệ số nén của đất [23–
25]. ey chỉ ra rằng những phương pháp học máy này có thể dự
đoán hệ số nén với độ chính xác cao. Bên cạnh đó, các
phương pháp học máy như SVR, ELM, ANN, PANFIS, GANFIS, và
các mô hình lai khác đã được áp dụng thành công trong việc
dự đoán sức chống cắt của đất [26–29]. Theo báo cáo, ANN,
SVM và ANFIS có một số lợi thế trong việc dự đoán các thông
số đất. Ví dụ, ANN có một kiến trúc đơn giản và dễ đào
tạo và tổng quát hóa; nó có thể giải quyết các vấn đề phi
tuyến với độ chính xác cao [30–33]. Theo dõi SVM, người ta
đã báo cáo rằng họ có một số
những ưu điểm như khả năng cung cấp tổng quát hóa ngoài
mẫu tốt và mạnh mẽ ngay cả khi mẫu đào tạo có một số sai
lệch [34]. Dựa trên kết quả thực nghiệm của 55 tỷ lệ hỗn
hợp khác nhau, Sinha và Wang [7] đã phát triển các mô hình
dự báo ANN (với độ tin cậy trên 95%) bao gồm độ thấm, mật
độ khô tối đa và độ ẩm để xác minh các đặc tính của đất.
Liên quan đến hình dạng hạt và sự phân bố kích thước hạt,
độ thấm của đất hạt cũng có thể được dự đoán bằng cách sử
dụng ANFIS [22].
Yilmaz và cộng sự. [20] so sánh hệ số thấm dự đoán của đất
hạt thô giữa ANN và ANFIS. Mặc dù cả hai mô hình tính toán
mềm đều có thể thể hiện độ chính xác cao trong việc ước
tính hệ số thấm của đất, nhưng mô hình ANFIS có thể hoạt
động tốt hơn mô hình ANNs.
Bên cạnh đó, một số nghiên cứu trước đây đã sử dụng nhiều
phép hồi quy tuyến tính (MLR), ANN, SVM và ANFIS để cải
thiện độ chính xác dự đoán về độ dẫn thủy lực của đất [35].
Arshad và cộng sự. kết luận rằng ANFIS có khả năng dự đoán
tốt hơn so với ANN và MLR trong việc ước tính độ dẫn thủy
lực bão hòa [36–40]. Tuy nhiên, theo báo cáo rằng các thuật
toán học máy này có một số nhược điểm như có nguồn tái tính
toán lớn hơn, tốn thời gian, tổng quát hóa kém và dễ bị
trang bị quá mức [30, 31, 34, 41, 42].
Hơn nữa, có một số thuật toán cây quyết định, đã được
áp dụng phổ biến trong việc dự đoán các thước đo pa của
đất như M5P và quy trình Gaussian (GP). Có thông tin cho
rằng M5P và GP có một số ưu điểm. Đối với rất nhiều, người
ta chỉ ra rằng các thuật toán này yêu cầu ít tham số do
người dùng xác định, có thể cung cấp các phương trình toán
học, cung cấp thông tin chi tiết hơn về các phương trình
thu được và cũng thuận tiện hơn để phát triển và thực hiện [42–45].
M5P và GP đã được sử dụng để dự đoán số lượng kết cấu
trên mặt đường mềm, và nó đã được chỉ ra rằng các phương
pháp học máy này có thể được sử dụng trong bài toán này
[46]. Các nghiên cứu trước đây sử dụng M5P để dự đoán
cường độ nén của bê tông thường và bê tông mance cao; họ
nhận thấy rằng M5P có thể là một công cụ đủ để ước tính
cường độ nén của bê tông [42, 45, 47].
Về dự đoán các đặc tính của đất, GP được sử dụng để
dự đoán khả năng chịu tải cuối cùng cũng như tham số ứng
suất hữu hiệu của đất không bão hòa [48, 49]. Nó cho thấy
rằng phương pháp hồi quy GP hoạt động tốt trong việc dự
đoán khả năng chịu tải của cọc trong trường hợp với phương
pháp tiếp cận SVM [48]. Ngoài ra, Samui và Jagan [49] chỉ
ra rằng GPR là một mô hình đáng tin cậy để phân tích trước
thông số ứng suất hiệu quả của đất không bão hòa. Một
nghiên cứu trước đây đã sử dụng Random Forest (RF), GP,
M5P và ANN để ước tính cường độ của đất không được xử lý
xi măng, nhận thấy rằng các thuật toán này hoạt động tốt
[50]. Bên cạnh đó, có báo cáo rằng GP hoạt động tốt hơn
SVR và MLR trong việc dự đoán sự xâm nhập của đất cát [43].
GP cũng được sử dụng để mô hình hóa tốc độ thấm của đất,
và người ta nói rằng GP có thể đưa ra hiệu suất ước tính
tốt [51]. Hơn nữa, một nghiên cứu khác đã áp dụng M5P trong
dự đoán xâm nhập tích lũy của đất cát và nhận thấy rằng
phương pháp đóng bao hoạt động tốt với mô hình cây M5P so
với mô hình RF [52]. GP cũng đã
Machine Translated by Google
Lập trình khoa học
được sử dụng để mô hình hóa tốc độ sạc lại của hệ thống lọc
nước mưa và chỉ ra rằng phương pháp hồi quy GP dựa trên Pearson
VII hoạt động tốt so với các chức năng nhân khác dựa trên mô
hình GP và SVM [53].
Dựa trên các tài liệu trên, người ta chấp nhận rằng M5P và
quy trình Gaussian (GP) là các thuật toán cây quyết định là các
kỹ thuật tính toán mềm mạnh mẽ và có tiềm năng dự đoán các
thông số của đất [45, 47, 54–56]. ey có thể cung cấp các phương
trình toán học dễ hiểu. Do đó, người dùng có thể dễ dàng biết
các tham số ảnh hưởng đến kết quả đầu ra của quá trình mô hình
hóa. Tuy nhiên, có ít ứng dụng của các kỹ thuật nổi bật này
trong lĩnh vực địa kỹ thuật, ví dụ, để dự đoán hệ số thấm của
đất. Vì vậy, nghiên cứu này đã được thực hiện một cách cẩn
thận với các mục tiêu sau: trình
tính
bàytoán
ứng mềm,
dụng M5P
của và
cácquy
kỹ trình
thuật
Gaussian, để ước tính hiệu quả độ thấm của đất và so sánh độ
chính xác giữa hai kỹ thuật. Ngoài ra, nghiên cứu này cũng sẽ
lấp đầy khoảng trống của các tài liệu sử dụng M5P và GP để dự
đoán hệ số thấm của đất. e đã sử dụng bộ dữ liệu được thu
thập từ một dự án ở Việt Nam; Đường cao tốc Đà Nẵng - Quảng
Ngãi được sử dụng để làm mô hình.
2. Vật liệu và phương pháp
2.1. Dữ liệu được sử dụng. Thật vậy, hệ số thấm của đất (k) bị
ảnh hưởng bởi nhiều yếu tố. Tuy nhiên, nghiên cứu này sẽ tập
trung vào các yếu tố chính chi phối đáng kể đến độ tơi xốp
của đất nhằm giảm độ phức tạp của mô hình. Trong nghiên cứu
hiện tại, dữ liệu của 84 mẫu đất được thu thập từ dự án đường
cao tốc Đà Nẵng - Quảng Ngãi như trong Hình 1. vi, các mẫu đất
được kiểm tra trong phòng thí nghiệm để xác định các thông số
đầu vào, cụ thể là hàm lượng nước (w%) , tỷ lệ rỗng (e), tỷ
trọng riêng (c), giới hạn lỏng (LL%), giới hạn dẻo (PL%), hàm
lượng đất sét và hệ số thấm (k). Đầu ra của các thông số này
trong mô hình là hệ số thấm của đất. Phân tích định lượng của
các tham số đầu vào này được cung cấpthấy
trong
sự Bảng
phân 1.
bố Hình
của các
2 cho
biến đầu vào và đầu ra được sử dụng trong nghiên cứu này. Hình
3 cho thấy mối tương quan giữa các biến đầu vào và biến đầu
ra. Có thể thấy rằng có mối tương quan cao giữa các biến đầu
vào và biến đầu ra của dữ liệu được sử dụng trong nghiên cứu
này (trong hầu hết các trường hợp, R> 0,5).
2.2. Các phương pháp được sử dụng
2.2.1. M5P. Wang và Witten [57] đã xây dựng lại và đề xuất
thuật toán M5P từ thuật toán M5, thuật toán này ban đầu được
đề xuất bởi Quinlan [21] với việc bổ sung một hàm hồi quy tuyến
tính cho các nút lá. Bằng cách giảm kích thước cây, M5P có thể
hoạt động tốt hơn trên tập dữ liệu so với M5. Thông thường, M5P
có ba bước chính như sau:
(i) Xây dựng cây mô hình: không gian đã nhập được chia
thành nhiều không gian con bằng cách sử dụng tiêu chí
phân chia. e hệ số giảm độ lệch chuẩn (SDR) là
3
được sử dụng để giảm thiểu lỗi dự kiến tại nút. Phương
trình e của SDR được biểu diễn như sau:
Xin
SDR � sd (H) - chào × sd Xin chào ,
| H |
tôi
������������
N 2
Chào - H
sd (H) � , (1)
N - 1
1
N
Xin chào
H �
N,
tôi
trong đó H là tập dữ liệu cá thể kéo dài nút, Hi là
tập nhận được từ một nút được chia theo một thuộc
tính đã cho và sd là độ lệch chuẩn của H.
(ii) Cây cắt tỉa: một cây phân loại và hồi quy (CART) được
đưa vào mỗi không gian con để khắc phục vấn đề và
tăng hiệu quả phân loại. Bước cắt tỉa sẽ xóa lỗi xảy
ra trong dữ liệu học tập.
(iii) Bước làm mịn: việc cắt tỉa cây có thể dẫn đến sự gián
đoạn rõ nét giữa các mô hình tuyến tính lân cận. Vì
vậy, để giải quyết vấn đề này, tất cả các mô hình lá
sẽ được kết hợp từ lá đến gốc để xây dựng mô hình
cuối cùng. vi, dọc theo đường dẫn trở lại, giá trị dự
đoán được lọc về gốc. Bằng hồi quy, giá trị cuối cùng
được làm mịn bằng cách kết hợp giá trị thuê cur với
giá trị dự đoán từ hồi quy tuyến tính dưới dạng phương
trình sau:
Nt + KA
T ′ �
, (2)
N + K
trong đó T ′ là sự dịch chuyển giá trị dự đoán lên
mức cao hơn của nút tiếp theo, N là tổng số lần huấn
luyện chuyển sang nút thấp hơn tiếp theo, Nt là giá trị
dự đoán được chuyển từ nút thấp hơn sang nút hiện tại,
A là giá trị dự đoán của nút tại nút này và K là một
giá trị không đổi.
2.2.2. Quy trình Gaussian. Quy trình e Gaussian (GP) lần đầu
tiên được giới thiệu bởi Rasmussen và Williams [58]. là một
phương
pháp phổ biến cho các bài toán hồi quy không tham số và phân
loại cation. là phương pháp cũng được áp dụng để dự đoán cường
độ nén của bê tông [45, 47]. Bằng cách kết hợp máy học Bayes
và máy nhân, GP dẫn đến một phương pháp tiếp cận có nguyên tắc
và xác suất cho hồi quy. giá trị dự đoán có thể được xuất trựce
tiếp với độ không chắc chắn của dự đoán mô hình. Do đó, đây
là một mô hình phù hợp để xử lý khai thác dữ liệu chuỗi thời
gian.
Nói chung, một GP có thể được đo bằng hàm trung bình và
hạt nhân. Giả thiết rằng GP được phân loại như một tập hợp các
biến ngẫu nhiên, cho biết giá trị của hàm f (t) tại vị trí (t).
Nó có thể được viết dưới dạng các phương trình sau:
Machine Translated by Google

4 Lập trình khoa học

Hình 1: Vị trí dự án đường cao tốc Đà Nẵng - Quảng Ngãi.

Bảng 1: Phân tích thống kê các yếu tố đầu vào và đầu ra trong nghiên cứu này.

Thông số Đơn vị Tối thiểu Tối đa Trung bình STD

Hàm lượng nước tự nhiên, w % 15,1 99,9 34,23 16,5

- 0,46 2,63 0,97 0,42
Tỷ lệ hư không, e

Mật độ riêng, c g / cm3 2,58 2,74 2,68 0,02

Giới hạn chất lỏng, LL % 18,9 88,93 37,27 13.04

Giới hạn nhựa, PL % 12,2 54,8 22,21 7,04

Hàm lượng đất sét, cc % 5,7 64 25,17 11,5

Hệ số thấm k 10 9 cm / s 0,3 7.1 1,45 0,94

Độ lệch chuẩn STD �.

30 30

25 25

20 20

15 15

10 10

5 5

0 0
20 40 60 80 100 0,5 1 1,5 2 2,5

Hàm lượng nước tự nhiên (%) Tỷ lệ Void (-)

(một) (b)

20 20

15 15

10 10

5 5

0 0
2,6 2,65 2,7 2,75 20 40 60 80

Mật độ riêng (g / cm3 ) Giới hạn chất lỏng (%)

(c) (d)

Hình 2: Tiếp theo.

Machine Translated by Google

Lập trình khoa học 5

25 20

20
15

15

10

10

5
5

0 0
10 20 30 40 50 40302010 50 60

Giới hạn nhựa (%) Hàm lượng đất sét (%)

(e) (f)

30

25

20

15

10

0
0 0,02 0,04 0,06

Hệ số thấm (10-9 cm / s)

(g)

Hình 2: Biểu đồ của các biến đầu vào và đầu ra được sử dụng trong nghiên cứu này.

′ ,
f (t) GP m (t), kt, t (3)
CC 0,72 0,85 0,72 -0,23 0,72 0,51

m (t) � E [f (t)],
(4)
w 0,96 0,96 -0,78 1,00 0,83 kt, t
′ ′ ′ - mt ,
� E (f (t) - m (t)) ft

trong đó f (t) là phân phối trước của hàm hồi quy và

LL 0,96 -0,63 0,96 0,78
m (t) và k (t, t ′) là hàm trung bình và hàm nhân,

tương ứng.
Giả sử rằng một tập huấn luyện T bao gồm đầu vào hữu hạn
PL -0,72 0,96 0,76
số t1 , . . ., tn ở dạng ma trận; GP sẽ xác định một doanh
Phân phối Gaussian như sau:

γ -0,78 -0,73
p (f | T) � N (f | M, K), (5)

e 0,83
trong đó hàm trung bình M (T) được xác định bởi giá trị trung bình
hàm m (t), như sau:

k
m t1
· · ·
M (T) � (6)
Hình 3: Biểu đồ phân tán cho từng cặp biến với mức độ ít thay đổi, bao gồm phân tích tương

quan giữa các biến được sử dụng trong mt N .

nghiên cứu này.

Machine Translated by Google

6
Lập trình khoa học

Hơn nữa, hàm nhân K (T, T ′) được đo

Khởi đầu

bởi hàm trung bình k (t, t ′), như sau:

′ ′
k t1, t1 · · · K t1, tN
Tải dữ liệu đầu vào

′ � · · · · · · · · ·
KT, T (7)

′ ′
k tN, t1 · · · K tN, tN
.

(2) Xây dựng mô hình:

Quá trình M5P và Gaussian

Để đơn giản, hàm trung bình trong nghiên cứu này được đặt là

0 để có được GP được sử dụng rộng rãi trước đây. Nó cũng là

Sự thi công Không

được áp dụng trong các nghiên cứu trước đây [56, 58]. vi, (3) có thể được viết lại như sau:

(1) Chuẩn bị dữ liệu

đã kết thúc?

′ .
Tập huấn
f (t) GP m (t) � 0, kt, t (số 8)
tập dữ liệu (50%) Đúng

Thử nghiệm (3) Xác nhận các mô hình

tập dữ liệu (50%) RMSE, MAE, R
2.2.3. Các chỉ báo xác thực. Trong nghiên cứu này, một số lỗi

các chỉ số, cụ thể là bình phương trung bình căn (RMSE), sai số chất tan trung bình ab (MAE) và hệ số xác định (R2 ), là

Thẩm định Không

được sử dụng để định lượng độ chính xác của dự đoán của các mô hình.

hoàn thành?
Đặc biệt, RMSE cho thấy sự khác biệt trong các giá trị giữa thực tế và dự đoán, như thể hiện trong (9). Thấp hơn

Đúng

giá trị của RMSE có nghĩa là ước tính có độ chính xác cao hơn.

Chấm dứt

Trong khi đó, MAE trình bày sai số trung bình của thực tế

và dự đoán, như được trình bày trong (10). MAE thấp hơn cho biết Hình 4: Sơ đồ phương pháp luận được đề xuất.
một mô hình chính xác hơn. Ngược lại, R là tiêu chuẩn hóa

các giá trị quan sát được từ các lỗi dự đoán của mô hình, như

mô hình dựa trên thuật toán M5P và GP. Trong GP,

hiển thị trong (11). giá trị của R2 Giá trị e của R2 thay đổi từ 0 đến 1. A cao hơn

chúng tôi đã sử dụng hạt nhân RBF, kích thước lô là 100 và

cho biết khả năng ước tính cao hơn và giá trị

1 hạt giống huấn luyện mô hình. Trong M5P, chúng tôi có

gần bằng 1 cho thấy độ chính xác tốt.

đã sử dụng kích thước lô là 100 và số lượng tối thiểu là

����������

N 2
_

các trường hợp cho phép ở nút lá của 4. Tất cả quá trình đào tạo

( k - k)

RMSE � , (9) và các quy trình xác thực được thực hiện trong Weka

N
i�1 phần mềm.

(3) Xác nhận các mô hình được đề xuất: trong bước cuối cùng này,

N
_

tập dữ liệu thử nghiệm đã được thông qua để xác thực

| k - k |
MAE � , (10)
các mô hình đề xuất. Các chỉ số thống kê bao gồm
N
i�1
RMSE, MAE và R2 được sử dụng để xác thực

các mô hình.
N
_ _

i�1 ( k - k) ( k - k)
R2 �

3. Kết quả và thảo luận

,
������������������

N 2 2
_ _ (11)

i�1 ( k - k) ( k - k)

_ _

Đào tạo và xác nhận mô hình M5P đã được thực hiện bằng cách sử dụng
trong đó k và
k là giá trị tính toán và giá trị thực tế, k và k là

đào tạo và thử nghiệm bộ dữ liệu. Trong nghiên cứu này, M5P là

giá trị trung bình được tính toán và giá trị thực tế và N là tổng
được đào tạo với số lượng phiên bản cho phép tại một nút lá

số lượng mẫu.

là 4 và kích thước lô là 100. đào tạo và xác nhận e

kết quả của mô hình M5P được trình bày trong Hình 5–7. Nó có thể

được thấy từ Hình 5 rằng các giá trị thực tế (được xác định
2.3. Phương pháp luận. e nghiên cứu hiện tại được thực hiện dựa trên

từ các thử nghiệm) và các giá trị dự đoán (được dự đoán bởi
phương pháp luận được đề xuất bao gồm ba bước chính

mô hình M5P) rất gần với giá trị lỗi thấp

như sau: (1) chuẩn bị dữ liệu, (2) xây dựng

(RMSE � 0,0064 và MAE � 0,004) (Hình 5) và mức cao

các mô hình và (3) xác nhận các mô hình được đề xuất

hệ số xác định (R2 � 0,792) (Hình 7) trong trường hợp

(Hinh 4):

của tập dữ liệu đào tạo. chỉ ra rằng mô hình M5P có

(1) Chuẩn bị dữ liệu: trong bước đầu tiên này, dữ liệu của
mức độ phù hợp tuyệt vời với dữ liệu được sử dụng. bên trong

các mẫu từ phòng thí nghiệm đã được sử dụng để tạo ra

trường hợp của tập dữ liệu thử nghiệm, tồn tại một thỏa thuận tốt

bộ dữ liệu thử nghiệm và đào tạo. tập dữ liệu đào tạo điện tử
giữa các giá trị thực tế và dự đoán, các giá trị lỗi của

được tạo từ 50% tổng số dữ liệu và

Mô hình M5P rất thấp (RMSE � 0,0081 và

tập dữ liệu thử nghiệm được xây dựng từ 50% còn lại.
MAE � 0,0045) (Hình 6), và hệ số xác định

(2) Xây dựng mô hình: trong bước thứ hai này, là cao (R2 � 0,766) (Hình 7). là cho thấy khả năng hoạt động trước của mô hình M5P là tốt.

tập dữ liệu đào tạo đã được sử dụng để đào tạo

Machine Translated by Google

Lập trình khoa học 7

0,08

0,06

đầu
quả
Kết
ra

0,04

0,02

0
0 5 10 15 2 0 25 30 35 40 45

Chỉ mục mẫu

Thật sự

Dự đoán

MAE = 0,004, RMSE = 0,0064 Lỗi trung bình = 0,0001, lỗi St.D. = 0,0066
0,03 15

0,02
10
Lỗi

0,01 thường
xuyên
Tính

5
0

-0.01 0
0 10 20 30 40 50 -0.02 -0.01 0 0,01 0,02 0,03

Chỉ mục mẫu Lỗi

Lỗi

Hình 5: Phân tích lỗi của M5P bằng cách sử dụng tập dữ liệu đào tạo.

0,08

0,06

đầu
quả
Kết
ra

0,04

0,02

0
0 5 10 15 2 0 25 30 35 40 45

Chỉ mục mẫu

Thật sự

Dự đoán

MAE = 0,0045, RMSE = 0,0081 Lỗi Trung bình = -4.76e-05, Lỗi St.D. = 0,0082
0,05 10

Lỗi

0 thường
xuyên
Tính
5

-0.05 0
0 10 20 30 40 50 -0.04 -0.02 0 0,02 0,04

Chỉ mục mẫu Lỗi

Lỗi

Hình 6: Phân tích lỗi của M5P bằng tập dữ liệu thử nghiệm.

Đào tạo và xác nhận mô hình GP đã được thực hiện thử nghiệm) và các giá trị dự đoán (do GP dự đoán
sử dụng tập dữ liệu đào tạo và thử nghiệm. Trong nghiên cứu này, bác sĩ đa khoa đã mô hình) rất gần với giá trị lỗi thấp (RMSE � 0,0077
được đào tạo bằng cách sử dụng nhân đa thức với chuẩn hóa và MAE � 0,0047) (Hình 9) và xác định cao
dữ liệu đào tạo. e mức tiếng ồn Gaussian được xác định là hệ số (R2 � 0,71) (Hình 10) trong trường hợp đào tạo
“1” và kích thước lô và số lượng hạt được đặt là “100” tập dữ liệu. chỉ ra rằng mô hình GP có mức độ tốt
và 1." e đào tạo và xác nhận kết quả của mô hình GP về mức độ phù hợp với dữ liệu được sử dụng. Trong trường hợp thử nghiệm

được trình bày trong Hình 8–10. Nó có thể được quan sát từ tập dữ liệu, tồn tại một thỏa thuận tốt giữa thực tế và
Hình 8 rằng các giá trị thực tế (được xác định từ giá trị dự đoán, giá trị lỗi của mô hình GP rất
Machine Translated by Google

số 8
Lập trình khoa học

0,06 0,07

R2 = 0,792 R2 = 0,766
0,06
0,05

0,05
0,04

0,04

0,03

0,03

0,02
0,02

0,01
0,01

0,02 0,04 0,06 0,02 0,04 0,06

Mục tiêu Mục tiêu

Dữ liệu Dữ liệu

Phù hợp Phù hợp

Y = T Y = T

(một) (b)

Hình 7: Phân tích tương quan của kết quả đầu ra thực tế và dự đoán bằng cách sử dụng M5P: (a) đào tạo; (b) thử nghiệm.

0,08

0,06

đầu
quả
Kết
ra

0,04

0,02

0
0 5 10 15 2 0 25 30 35 40 45

Chỉ mục mẫu

Thật sự

Dự đoán

MAE = 0,0047, RMSE = 0,0077 Lỗi Mean = 0, Lỗi St.D. = 0,0079

0,04 10

0,02
Lỗi

thường
xuyên
Tính
5

-0.02 0
0 10 20 30 40 50 -0.03 -0.02 -0.01 0 0,01 0,02 0,03

Chỉ mục mẫu Lỗi

Lỗi

Hình 8: Phân tích lỗi của M5P bằng tập dữ liệu thử nghiệm.

thấp (RMSE � 0,0093 và MAE � 0,0054) (Hình 9), và hệ số xác định của mô hình M5P cao hơn
hệ số xác định cao (R2 � 0,700) (Hình 10). so với mô hình GP trong cả khóa đào tạo (Hình 7)
chỉ ra rằng khả năng dự đoán của mô hình GP và thử nghiệm (Hình 10) bộ dữ liệu.
tốt. Nhìn chung, có thể nói rằng cả hai mẫu M5P và GP
e kết quả so sánh cho thấy rằng các giá trị lỗi của rất tốt cho việc dự đoán hệ số thấm của đất, nhưng mô
Mô hình M5P thấp hơn mô hình GP trong cả hai hình M5P làm tốt hơn mô hình GP trong điều này
đào tạo (Hình 5 và 8) và kiểm tra (Hình 6 và 9) học. Đó là lợi thế của M5P so với
bộ dữ liệu. Trong trường hợp phân tích tương quan, giá trị của với các mô hình khác là nó có thể đối phó với cả hai
Machine Translated by Google

Lập trình khoa học 9

0,08

0,06

đầu
quả
Kết
ra
0,04

0,02

0
0 5 10 15 2 0 25 30 35 40 45

Chỉ mục mẫu

Thật sự

Dự đoán

MAE = 0,0054, RMSE = 0,0093 Lỗi trung bình = -0.00095, lỗi St.D. = 0,0093
0,05 10

0 5
Lỗi

thường
xuyên
Tính

-0.05 0
0 10 20 30 40 50 -0.04 -0.02 0 0,02 0,04 0,06

Chỉ mục mẫu Lỗi

Lỗi

Hình 9: Phân tích lỗi của GP sử dụng tập dữ liệu thử nghiệm.

0,06 0,07

R2 = 0,710 R2 = 0,700
0,06
0,05

0,05
0,04

0,04

0,03

0,03

0,02
0,02

0,01
0,01

0,01 0,02 0,03 0,04 0,05 0,06 0,01 0,02 0,03 0,04 0,05 0,070,06

Mục tiêu Mục tiêu

Dữ liệu Dữ liệu

Phù hợp Phù hợp

Y = T Y = T

(một) (b)

Hình 10: Phân tích tương quan giữa kết quả đầu ra thực tế và dự đoán bằng cách sử dụng GP: (a) đào tạo; (b) thử nghiệm.

các biến liên tục và phân loại, và nó có một hoạt động [61–63], kết quả của nghiên cứu mô hình hóa này tiết lộ rằng

khả năng xử lý các biến bị thiếu giá trị [45]. Trong có một số điểm dữ liệu liên quan đến sai số chuyển hướng trước rất
Ngoài ra, M5P tận dụng lợi thế của cây quyết định; trong lớn của các mô hình (Hình 5, 6, 8 và 9),
nói chung, nó không yêu cầu giả định liên quan đến xác suất có thể được gây ra bởi sự sai lệch lớn và tương quan cao
phân phối dữ liệu được sử dụng [59]. Về mô hình GP, giữa các biến đầu vào và đầu ra của dữ liệu được sử dụng trong

nó chỉ có một số tham số được điều chỉnh, và do đó nó có thể nghiên cứu (Hình 3). trước đó, chúng tôi khuyến nghị rằng những
được đào tạo với một tập dữ liệu đào tạo nhỏ. Tuy nhiên, mô hình GP các mô hình (M5P và GP) có thể được kiểm tra và xác nhận với các
được coi là một mô hình hộp đen, và do đó, nó thiếu bộ dữ liệu lớn hơn với mối tương quan biến thấp hơn để tốt hơn
độ trong [60]. So với trước đây đã xuất bản màn biểu diễn.
Machine Translated by Google

10 Lập trình khoa học

Bảng 2: Tập dữ liệu được sử dụng trong nghiên cứu này để dự đoán hệ số thấm, k.

Giới hạn nhựa, Mật độ riêng, Hư không

Hệ số thấm, k
Hàm lượng đất sét, cc (%) Hàm lượng nước, w (%) Giới hạn chất lỏng, LL (%)
PL (%) c (g / cm3 ) tỷ lệ, e (10 9 cm / s)

44 93,73 75,62 46.8 2,59 2.453 0,029

21,7 20,71 24,58 13,5 2,72 0,639 0,01

51,8 20,98 38,17 20,2 2,73 0,625 0,003

19 24,55 29.08 19,6 2,68 0,707 0,017

8.5 19,85 23,67 17,58 2,67 0,599 0,008

44,8 79,96 75,45 43,6 2,59 2.083 0,039

8,7 15,09 18,9 12,63 2,66 0,462 0,008

59,4 24,95 41,87 22,3 2,74 0,713 0,003

8,9 21,79 24,98 19 2,68 0,654 0,007

8,4 19,46 22,97 17,43 2,68 0,605 0,007

51,1 73,75 66,96 35,8 2,61 1,966 0,061

19 18,35 23,61 13,35 2,7 0,579 0,007

8,3 18,01 21 14,2 2,67 0,599 0,007

8,2 17,12 19,7 13,8 2,67 0,571 0,01

6.1 16,97 21.01 15,87 2,66 0,556 0,007

56.1 83,25 78,23 41,9 2,62 2.235 0,055

64 78,72 75,53 39,5 2,64 2.106 0,03

16.1 17,52 25,85 12,2 2,69 0,546 0,01

8,4 18.02 21.1 14,5 2,67 0,552 0,009

10,7 24,53 27,22 19,6 2,69 0,713 0,007

11,7 19,77 23,91 13,5 2,68 0,567 0,035

9,5 18,12 21,2 14,5 2,68 0,567 0,008

7,6 20,23 23,62 16,8 2,69 0,64 0,007

11 20,14 22,78 16,1 2,67 0,608 0,008

9,4 19,64 23,8 17,2 2,67 0,648 0,009

49,4 62,2 59,99 38,5 2,63 1,657 0,026

25,9 21,23 31,18 13,2 2,72 0,609 0,005

8.6 20.12 20,82 14,8 2,67 0,599 0,007

10,7 17,25 19,5 13,5 2,68 0,558 0,008

9.3 21,14 23,89 18,53 2,68 0,686 0,008

46.4 99,9 82,11 43,6 2,58 2,634 0,041

24,5 18,28 28.11 12,5 2,71 0,522 0,006

9,7 17,34 20,49 14,3 2,66 0,486 0,007

21 20,62 28,62 17,4 2,69 0,592 0,014

12,5 19,25 23,46 14,67 2,67 0,628 0,008

8,1 23,28 26,8 20,36 2,68 0,707 0,011

46,9 95,58 82,25 53 2,6 2,514 0,026

63,4 73,1 68,47 35 2,61 1,933 0,028

42,5 27,28 39,99 21,74 2,72 0,789 0,003

8,6 18,02 20,51 14,6 2,69 0,592 0,012

8.5 25.49 27.49 21,32 2,67 0,723 0,008

60,2 95.09 84.05 54,8 2,63 2.507 0,038

40.3 20,75 40,77 18,64 2,72 0,591 0,003

8,4 18,25 21,08 14,5 2,69 0,592 0,008

50,7 28,97 46,04 25,2 2,72 0,889 0,003

8,8 17,19 19,81 14,3 2,68 0,549 0,007

46,6 76,77 64,83 38,17 2,63 2,023 0,025

45 35,53 53,56 28,6 2,74 1,015 0,004

9,6 17,99 20,42 15 2,67 0,571 0,008

8,6 19,9 23 16,9 2,68 0,586 0,009

9,6 18,18 22,58 16 2,68 0,567 0,006

45,8 89,51 85,86 42,7 2,63 2,372 0,051

43,4 25,6 34,5 15,6 2,73 0,717 0,005

9.2 17,81 21 14.3 2,68 0,506 0,01

7.7 21,23 25.3 18,5 2,68 0,654 0,009

9.4 17,85 20.48 14,8 2,68 0,558 0,008

45,1 93,19 88,93 48 2,62 2.447 0,057

46,1 70,21 65,46 33,6 2,64 1.87 0,071

23,6 18,84 27.48 13,8 2,71 0,604 0,006

Machine Translated by Google

Lập trình khoa học 11

Bảng 2: Tiếp theo.

Giới hạn nhựa, Mật độ riêng, Hư không

Hệ số thấm, k
Hàm lượng đất sét, cc (%) Hàm lượng nước, w (%) Giới hạn chất lỏng, LL (%)
PL (%) c (g / cm3 ) tỷ lệ, e (10 9 cm / s)

26,5 21,89 30,98 17.4 2,72 0,619 0,005

23,5 21,32 32,23 16.4 2,71 0,604 0,005

5,7 17,35 20,34 14,25 2,66 0,494 0,006

41,9 69,26 66.42 48,5 2,64 1.87 0,029

45.3 19,6 30,92 13,2 2,73 0,569 0,007

8.5 20,81 25,31 18,53 2,68 0,576 0,005

10,2 18,15 22,14 15,6 2,67 0,517 0,006

12,7 22,71 28,5 17,8 2,69 0,671 0,01

8,6 24,84 29,32 22 2,68 0,752 0,012

55,3 98,01 73,63 40,1 2,59 2,597 0,035

38,6 22,79 35,83 15,2 2,72 0,689 0,009

9,7 18,02 20,51 14,2 2,68 0,605 0,007

40,1 25,53 36,11 19,2 2,72 0,755 0,01

9,7 18,01 20,3 14,2 2,67 0,599 0,007

37,6 87,71 75.34 40,5 2,63 2,329 0,048

49 25,45 48,24 24.8 2,72 0,711 0,003

37.4 21,13 32.44 14,2 2,71 0,642 0,003

46.1 25,78 38,03 17,5 2,73 0,808 0,003

9,8 18.07 20,62 14,5 2,68 0,567 0,01

18,05 20,99 14,3 2,68 0,595 0,01

8 47,5 85,35 71,24 40,5 2,62 2,275 0,014

30,4 22,23 39,53 18,64 2,72 0,648 0,004

9,8 22,03 23,92 17,8 2,68 0,644 0,008

9,2 23,97 26,52 19,8 2,67 0,723 0,008

6,7 18,91 21,49 15 2,69 0,582 0,007

4. Kết luận lập trình và hồi quy đa thức tiến hóa

nên được thực hiện để đánh giá hiệu quả của

Trong bài báo này, các kỹ thuật tính toán mềm bao gồm M5P các thuật toán đã sử dụng và để có một bức tranh đầy đủ về các kỹ thuật
và quy trình Gaussian (GP) được sử dụng để ước tính đất được sử dụng để dự đoán hệ số cố kết của đất
hệ số thấm và so sánh. e kết quả chỉ ra (Ban 2).
rằng có thể ước tính hệ số thấm (k)
của đất dính từ các thông số cơ bản của đất (hàm lượng nước,
Dữ liệu sẵn có
tỷ trọng, giới hạn chất lỏng và chất dẻo, tỷ lệ rỗng và lều con
bằng đất sét) bằng cách sử dụng các mô hình của máy tính mềm. Một Bộ dữ liệu e cho mô phỏng có thể được tìm thấy trong Bảng 2.
số kết luận của nghiên cứu này có thể được rút ra như sau:

(1) e kết quả của M5P và GP chỉ ra rằng hiệu suất trên Xung đột lợi ích
mỗi mô hình là cao, với sự xác định
e tác giả tuyên bố rằng không có xung đột lợi ích.
hệ số của M5P và GP là 0,766 và 0,700,
đạt được từ mối tương quan giữa thực tế và

các giá trị tính toán của k tương ứng. Người giới thiệu

(2) ước tính độ thấm của mô hình e M5P

[1] AF Elhakim, “Ước tính độ thấm của đất,” Alexandria
Hệ số được cho là đáng tin cậy hơn hệ số của
Tạp chí Kỹ thuật, tập. 55, không. 3, trang 2631–2638, 2016.
mô hình GP.
[2] H. Ganjidoost, SJ Mousavi và A. Soroush, “Thích ứng

(3) Kết quả của nghiên cứu này cũng chỉ ra rằng những các hệ thống suy luận mờ dựa trên mạng kết hợp với các thuật toán ge netic

để dự đoán hệ số thấm của đất, ”Neural Processing Letters, vol. 44,

kỹ thuật học máy có thể là một tiềm năng
không. 1, trang 53–79,
cách tiếp cận để ước tính các thông số cơ bản của đất như
2016.
hệ số thấm của đất.
[3] S. Dong, Y. Guo, và X. Yu, “Phương pháp dự đoán nhanh về

dẫn thủy lực và giữ nước trong đất của các loại đất không được đánh giá
là nghiên cứu tiết lộ rằng M5P và GP có thể được áp dụng cho
là béo, ”Biên bản Nghiên cứu Giao thông vận tải: Tạp chí của
dự đoán hệ số thấm của đất cao
Ban Nghiên cứu Giao thông vận tải, tập. 2672, không. 52, trang 108–117,
sự chính xác. Tuy nhiên, số lượng mẫu cũng như đất
2018.
loại có hạn. chúng tôi, nghiên cứu này nên được mở rộng sang
[4] VK Singh, D. Kumar, PS Kashyap, PK Singh, A. Kumar,
nhiều mẫu hơn và các loại đất khác như hạt
và SK Singh, “Mô hình hóa độ thấm của đất bằng cách sử dụng các thuật
đất hoặc đất sét. Hơn nữa, các nghiên cứu trong tương lai sử toán định hướng dữ liệu khác nhau dựa trên các đặc tính vật lý của
dụng các nhịp điệu al khác như lập trình di truyền, biểu hiện gen đất, ”Tạp chí Thủy văn, tập. 580, ID bài viết 124223, năm 2020.
Machine Translated by Google

12 Lập trình khoa học

[5] T. Vienken và P. Dietrich, “Đánh giá thực địa các phương pháp xác [24] DT Bui, VH Nhu, and ND Hoang, “Dự đoán hệ số nén đất cho dự án nhà

định độ dẫn thủy lực từ dữ liệu cỡ hạt,” ở đô thị bằng cách sử dụng phương pháp học máy tích hợp mới của trí
Tạp chí Thủy văn, tập. 400, không. 1-2, trang 58–71, 2011. thông minh bầy đàn và mạng nơ ron perceptron nhiều lớp,” Advanced
[6] KR Rehfeldt, JM Boggs, và LW Gelhar, “Nghiên cứu thực địa về sự phân En gineering Informatics, tập. 38, trang 593–604, 2018.
tán trong tầng chứa nước không đồng nhất: 3. Phân tích địa lý thống
kê về độ dẫn thủy lực,” Nghiên cứu Tài nguyên nước, tập. 28, không. [25] S. Kirts, OP Panagopoulos, P. Xanthopoulos, và BH Nam, “Các mô hình
12, trang 3309–3324, 1992. dự báo khả năng nén của đất bằng cách sử dụng máy học,” Tạp chí Máy
[7] SK Sinha và MC Wang, “Các mô hình dự báo mạng nơ ron nhân tạo để nén tính trong Kỹ thuật Xây dựng, tập. 32, ID bài viết 04017067, 2018.
và thấm đất,”
Địa kỹ thuật & Công trình địa chất, tập. 26, không. 1, trang 47–64, [26] BT Pham, TA Hoang, DM Nguyen, and DT Bui, “Dự báo sức chống cắt của
2008. đất yếu bằng phương pháp máy học,” Catena, vol. 166, trang 181–191,
[8] HR Cedergren, Ed., Seepage Draraction and Flow Nets, Wiley, London, 2018.
United Kingdom, ird edition, 1988. [27] QH Nguyen, HB Ly, LS Ho et al., “Ảnh hưởng của việc phân tách dữ liệu
“
[9] A. Shakoor và BD Cook, e ảnh hưởng của hàm lượng, kích
đến hiệu suất của các mô hình học máy trong dự đoán sức chống cắt
thước và hình dạng đá lên các đặc tính kỹ thuật của một loại đất của đất,” Các vấn đề toán học trong kỹ thuật, tập. 2021, ID bài
sét bột nén, ”Khoa học Địa chất Môi trường và Kỹ thuật, tập. xxvii, viết 4832864, 15 trang, 2021.
không. 2, trang 245–253, 1990. [28] DT Bui, ND Hoang, và VH Nhu, “Một phương pháp học máy dựa trên thông
[10] DJ D'Appolonia, "Các vết cắt rãnh bùn đất bentonite,"
số intelli để dự đoán sức chống cắt của đất để xây dựng đường:
Tạp chí của Phòng Kỹ thuật Địa chất, tập. 106, không. 4, trang 399–
một nghiên cứu điển hình tại Dự án Đường cao tốc Quốc gia Trung
417, 1980.
Lương (Việt Nam),” Kỹ thuật với Máy tính, vol. 35, trang 955–965,
[11] G. Mesri và RE Olson, “Cơ chế kiểm soát tính thẩm thấu của đất sét,”
2019.
Đất sét và Khoáng chất đất sét, tập. 19, không. 3, trang 151–158,
[29] VH Nhu, ND Hoang, VB Duong, HD Vu, and DT Bui, “Một phương pháp tính
1971.
toán kết hợp thông minh để dự đoán sức chống cắt của đất để xây
[12] JK Mitchell và K. Soga, Các nguyên tắc cơ bản của hành vi đất,
dựng nhà ở đô thị: một nghiên cứu điển hình tại dự án Vinhomes
Wiley, NJ, Hoa Kỳ, ấn bản thứ ba, 2005.
Imperia, thành phố Hải Phòng (Việt Nam), ”Kỹ thuật với Máy tính,
[13] YB Acar và I. Olivieri, Ảnh hưởng của chất lỏng lỗ chân lông lên vải
tập. 36, trang 603–616, năm 2020.
và độ dẫn thủy lực của đất sét nén trong phòng thí nghiệm, trang
144–159, Ban nghiên cứu giao thông vận tải, Washington DC, Hoa Kỳ,
[30] AS Ahmad, MY Hassan, MP Abdullah và cộng sự, “Đánh giá về các ứng
1989.
dụng của ANN và SVM để xây dựng dự báo tiêu thụ năng lượng điện,”
[14] H. Pincus, PR Narasimha, N. Pandian, và T. Nagaraj, “Phân tích và
Đánh giá năng lượng tái tạo và bền vững, vol. 33, trang 102–109,
ước lượng hệ số hợp nhất,”
2014.
Tạp chí Kiểm tra Địa kỹ thuật, tập. 18, không. 2, tr. 252, 1995.
[31] JV Tu, “Ưu điểm và nhược điểm của việc sử dụng mạng nơron nhân tạo
[15] RP Chapuis, “Dự đoán lực dẫn thủy lực bão hòa của đất: đánh giá,”
so với hồi quy logistic để dự đoán kết quả y tế,” Tạp chí Dịch tễ
Bản tin Địa chất Kỹ thuật và Môi trường, tập. 71, không. 3, trang
học lâm sàng, tập. 49, trang 1225–1231, 1996.
401–434, 2012.
[16] RP Chapuis, DE Gill, và K. Baass, “Kiểm tra khả năng thấm trong
[32] D. Boudana, L. Nezli, A. Tlemçani, M. Mahmoudi và M. Tadjine, “DTC
phòng thí nghiệm trên cát: ảnh hưởng của phương pháp đầm nén đối
mạnh mẽ dựa trên điều khiển mờ thích ứng của truyền động máy điện
với tính dị hướng,” Tạp chí Địa kỹ thuật Canada, tập. 26, không. 4,
đồng bộ hình sao đôi với tần số chuyển mạch cố định,” Tạp chí Kỹ
trang 614–622, 1989.
thuật Điện, vol . 63 năm 2012.
[17] J. Odong, “Đánh giá các công thức thực nghiệm để xác định độ dẫn “
[33] E. Benyoussef, A. Meroufel và S. Barkat, dựa DTC cấp lại
thủy lực dựa trên phân tích kích thước hạt,” <e Journal of American
trên logic mờ và mạng nơ-ron của DSSM không cảm biến sử dụng bộ lọc
Science, vol. 4 năm 2008.
kalman mở rộng, ”Tạp chí Quốc tế về Điện tử Công suất và Hệ thống
[18] AE Cronican và MM Gribb, “Dự đoán độ dẫn thủy lực cho đất cát,”
Truyền động, tập. 5 năm 2015.
Nước ngầm, quyển. 42, không. 3, trang 459–464, 2004.
[34] L. Auria và RA Moro, Máy vectơ hỗ trợ (SVM) như một kỹ thuật phân

tích khả năng thanh toán, Bài báo thảo luận DIW, No.
[19] RP Chapuis, “Dự đoán trọng lực dẫn thủy lực bão hòa của cát và sỏi
811, Deutsches Institut f¨ur Wirtschaftsforschung (DIW), Berlin,
bằng cách sử dụng đường kính và tỷ lệ rỗng hiệu quả,” Tạp chí Địa
kỹ thuật Canada, tập. 41, không. 5, trang 787–795, 2004. Đức, 2008.
[35] P. Sihag, SM Karimi và A. Angelaki, “Rừng ngẫu nhiên, M5P và phân

[20] I. Yilmaz, M. Marschalko, M. Bednarik, O. Kaynar, và L. Fojtova, “Mô tích hồi quy để ước tính độ dẫn thủy lực không bão hòa hiện trường,”

hình điện toán thần kinh để dự đoán hệ số thấm của đất hạt thô,” Khoa học nước ứng dụng, tập. 9, trang 1-9, 2019.

Máy tính & Ứng dụng thần kinh, vol. 21, không. 5, trang 957–968, 2012.
[36] WA Agyare, SJ Park, và PLG Vlek, “Ước tính mạng nơ ron nhân tạo về

[21] JRB Quinlan, Học với các lớp liên tục, Khoa học thế giới, Singapore, độ dẫn thủy lực bão hòa,”

1992. Tạp chí Vùng Vadose, tập. 6, trang 423–431, 2007.

¨
[22] A. Sezer, AB Goktepe và S. Altun, “Ước tính độ thấm của đất dạng [37] Y. Erzin, SD Gumaste, AK Gupta và DN Singh, “Mô hình mạng nơ ron nhân

hạt bằng hệ thống mờ thần kinh,” trong Kỷ yếu Hội thảo CEUR, trang tạo (ANN) để xác định độ dẫn thủy lực của đất hạt mịn nén chặt,”

333–342,
essaloniki, Hy Lạp, tháng 4 năm 2009. Tạp chí Địa kỹ thuật Canada, tập. 46, trang 955–968, 2009.

[23] BT Pham, MD Nguyen, DV Dao et al., “Phát triển các mô hình trí tuệ [38] B. Rogiers, D. Mallants, O. Batelaan, M. Gedeon, M. Huysmans và A.

nhân tạo để dự đoán Hệ số Compres sion của đất: một ứng dụng của Dassargues, “Ước tính độ dẫn thủy lực và độ không đảm bảo của nó

phân tích độ nhạy Monte Carlo sen,” <e Science of the Total từ dữ liệu kích thước hạt sử dụng GLUE và mạng nơ ron nhân tạo,”

Environment, vol . 679, trang 172–184, 2019. Khoa học địa lý, tập. 44, trang 739–763, 2012.
Machine Translated by Google

Lập trình khoa học 13

[39] SK Das, P. Samui, và AK Sabat, “Dự đoán độ dẫn thủy lực trường của [55] A. Pretorius, H. Kamper và S. Kroon, “Về hành vi dự kiến của nhiễu
lớp lót bằng đất sét bằng cách sử dụng mạng nơ-ron nhân tạo và máy đã điều hòa mạng nơ-ron sâu như các quá trình Gaussian,” Thư nhận

vectơ hỗ trợ,” Tạp chí Địa cơ học Quốc tế, tập. 12, trang 606–611, dạng mẫu, vol. 138, trang 75–81, 2019.

2012.
[40] P. Sihag, “Dự đoán độ dẫn thủy lực không bão hòa sử dụng logic mờ [56] Y. Wang và BD Chaib, “Một khung lọc Bayes trực tuyến cho hồi quy

và mạng nơ ron nhân tạo,” Mô hình hóa Hệ thống và Môi trường Trái quá trình Gaussian: ứng dụng để phân tích nhiệt độ bề mặt toàn

đất, tập. 4, trang 189–198, 2018. cầu,” Expert Systems with Applications, vol. 67, trang 285–295, năm

[41] KI Wong, CM Vong, PK Wong và J. Luo, “Máy học cực Bayesian thưa 2017.

thớt và ứng dụng của nó để dự đoán hiệu suất động cơ nhiên liệu [57] Y. Wang và IH Witten, Cảm ứng cây mô hình để dự đoán các lớp liên

sinh học,” Neurocomputing, vol. 149, trang 397–404, 2015. tục, Đại học Waikato, Hamilton, New Zealand, 1996.

[58] CE Rasmussen và KCI Williams, Quy trình Gaussian cho Máy học, MIT
[42] C. Deepa, K. SathiyaKumari, và VP Sudha, “Dự đoán cường độ nén của
Press, MA, Hoa Kỳ, 2006.
hỗn hợp bê tông hiệu suất cao bằng cách sử dụng mô hình dựa trên
[59] C. Zhan, A. Gan, và M. Hadi, “Dự đoán thời gian thông làn của các
cây,” Tạp chí Quốc tế về ứng dụng bột bả, tập. 6, trang 18–24, 2010.
sự cố trên đường cao tốc bằng cách sử dụng thuật toán cây M5P,”
Giao dịch IEEE trên Hệ thống Giao thông Thông minh, tập. 12, trang
[43] P. Sihag, NK Tiwari, và S. Ranjan, “Mô hình hóa đường mòn của đất
1549–1557, 2011.
cát bằng cách sử dụng hồi quy quá trình Gaussian,” ˇˇ
[60] S. Faul, G. Gregorci c, G. Boylan, W. Marnane, G. Lightbody và S.
Mô hình hóa Hệ thống Trái đất và Môi trường, tập. 3, trang 1091–
Connolly, “Mô hình điện não đồ theo quy trình Gaussian để phát
1100, năm 2017.
hiện co giật ở trẻ sơ sinh,” Giao dịch IEEE về Kỹ thuật y tế sinh
[44] J. Yuan, K. Wang, T. Yu, và M. Fang, “Tối ưu hóa tổng hợp đa điểm
học, vol. 54, trang 2151–2162, 2007.
đáng tin cậy của quy trình WEDM tốc độ cao dựa trên hồi quy quy
[61] R. Venkata Rao và J. Taler, Phân vùng Tối ưu hóa Kỹ thuật Nâng cao
trình Gaussian,” Tạp chí Quốc tế về Công cụ và Sản xuất Ma chine,
thông qua Kỹ thuật Thông minh: Tuyển chọn Kỷ yếu của AEOTIT, V. Rao
vol . 48, trang 47–60, 2008.
và R. Taler Jan, Eds., Springer, Berlin, Đức, 2018.
[45] A. Behnood, V. Behnood, MM Gharehveran, và KE Alyamac, “Dự đoán

cường độ nén của bê tông thông thường và bê tông hiệu suất cao sử
[62] VH Nhu, H. Shahabi, E. Nohani và cộng sự, “Thông tin địa lý dự
dụng thuật toán cây mô hình M5P,” Xây dựng và Vật liệu xây dựng,
đoán mực nước hàng ngày của hồ zrebar (Iran): so sánh giữa M5P,
tập. 142, trang 199–207, năm 2017. rừng ngẫu nhiên, cây ngẫu nhiên và các thuật toán cắt tỉa cây sai

[46] N. Karballaeezadeh, HG Tehrani, DM Shadmehri, và S. Shamshirband,
“Ước tính khả năng kết cấu mặt đường linh hoạt sử dụng kỹ thuật
máy học,” Biên giới của Kết cấu và Xây dựng, tập. 14, trang 1083–
1096, 2020.
[47] Y. Ayaz, AF Kocamaz và MB Karakoç, “Mô hình hóa cường độ nén và UPV
của bê tông phụ gia khoáng khối lượng lớn sử dụng quy tắc M5 dựa
trên quy tắc và máy phân loại M5P mô hình cây,” Xây dựng và Vật
liệu xây dựng, tập. 94, trang 235–240, 2015.
số giảm,” Tạp chí Địa lý Thông tin Quốc tế ISPRS, tập. Ngày 9 năm
2020.
[63] M. Yakhchi, J. Alonso, M. Fazeli, AA Bitaraf, và A. Patooqhy,
“Phương pháp tiếp cận dựa trên mạng nơ-ron để dự đoán thời gian
gặp sự cố để đối phó với sự lão hóa phần mềm,” Tạp chí Kỹ thuật
Hệ thống và Điện tử, tập. 26, trang 407–414, 2015.

[48] M. Pal và S. Deswal, “Mô hình hóa khả năng chịu lực của cọc sử dụng
hồi quy quá trình Gaussian,” Máy tính và Địa kỹ thuật, tập. 37,
trang 942–947, 2010.
[49] P. Samui và J. Jagan, “Xác định tham số ứng suất hiệu quả của đất
không bão hòa: cách tiếp cận hồi quy quá trình Gaussian,” Biên giới
của Kết cấu và Xây dựng, tập. 7, trang 133–136, 2013.

[50] S. Mohanty, N. Roy, SP Singh, và P. Sihag, “Ước tính cường độ của

đất phân tán ổn định với clinker xi măng và tro bay,” Địa kỹ
thuật & Địa chất, vol. 37, trang 2915–2926, 2019.

[51] P. Sihag, B. Singh, AS Vand, và V. Mehdipour, “Mô hình hóa quá

trình xâm nhập bằng các kỹ thuật tính toán mềm,” Tạp chí Kỹ thuật
Thủy lực ISH, tập. 26, trang 138–152, năm 2020.
[52] P. Sihag, NK Tiwari, và S. Ranjan, “Dự đoán sự xâm nhập tự nhiên
của cumu vào đất cát bằng cách sử dụng phương pháp rừng ngẫu nhiên,”
Tạp chí Nghiên cứu và Kỹ thuật Nước Ứng dụng, tập. 7, trang 118–
142, 2018.
[53] P. Sihag, P. Jain, và M. Kumar, “Mô hình hóa tác động của chất
lượng nước đến tốc độ sạc lại của hệ thống lọc nước mưa sử dụng
hồi quy dựa trên chức năng hạt nhân khác nhau,” Mô hình hóa Hệ
thống Trái đất và Môi trường, tập. 4, trang 61–68, 2018.
[54] M. Rostam, R. Nagamune, và V. Grebenyuk, “Một cách tiếp cận quy
trình Gaussian lai để kiểm soát trước mô hình kinh tế mạnh mẽ,”

Tạp chí Kiểm soát Quy trình, tập. 92, trang 149– 160, 2020.