SavedAdd your journal

Journals / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2022 / Cilt: 11 Sayı: 4

Predicting net limit pressure and deformation modulus of cohesive soils using machine learning-based methods

Kohezyonlu zeminlerde net limit basınç ve deformasyon modülünün makine öğrenimi temelli modeller kullanılarak tahmin edilmesi

Nurgül Gültekin(HACETTEPE ÜNİVERSİTESİ, BAŞKENT ORGANİZE SANAYİ BÖLGESİ TEKNİK BİLİMLER MESLEK YÜKSEKOKULU, İNŞAAT BÖLÜMÜ)0000-0002-7007-2478
Ayhan Doğan(HACETTEPE ÜNİVERSİTESİ, BAŞKENT ORGANİZE SANAYİ BÖLGESİ TEKNİK BİLİMLER MESLEK YÜKSEKOKULU, BİLGİSAYAR TEKNOLOJİLERİ BÖLÜMÜ)0000-0002-9872-8889
Pages
1025–1033
Publication Date
2022-10-14
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Consequently, it has been concluded that three different machine learning methods can be used to predict PLN and E, and their representativeness is high, especially in the cases where field studies are costly and difficulties of sampling.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Machine learning-based methods have recently found an extensive field especially in engineering applications.
📊
Key Findings & Data:The corrected SPT (SPT-N(60)), liquid limit (LL%), plasticity index (PI%) and unit weight data are the input parameters of the models.
💡
Conclusion & Impact:Consequently, it has been concluded that three different machine learning methods can be used to predict PLN and E, and their representativeness is high, especially in the cases where field studies are costly and difficulties of sampling.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Net limit basınç · Deformasyon modülü · Regresyon ağaçları

Abstract

Machine learning-based methods have recently found an extensive field especially in engineering applications. In this study, net limit pressure (PLN) and deformation modulus (E) were tried to predict using the data obtained from in-situ and laboratory tests which were performed for cohesive soils. For this purpose, three different machine learning methods were employed such as regression trees (RT), support vector machines (SVM), gaussian process regression (GPR). The corrected SPT (SPT-N(60)), liquid limit (LL%), plasticity index (PI%) and unit weight data are the input parameters of the models. Three machine learning methods were utilized for each constructed model. Accordingly, SVM and GPR methods have higher prediction performance than RA. When the models are compared which were constructed for the prediction of PLN and E; the prediction performance of PLN is higher. Consequently, it has been concluded that three different machine learning methods can be used to predict PLN and E, and their representativeness is high, especially in the cases where field studies are costly and difficulties of sampling.

Özet

Makine öğrenimi temelli yöntemler son dönemlerde özellikle mühendislik uygulamalarında geniş bir alan bulmuştur. Çalışma kapsamında kohezyonlu birimlerde gerçekleştirilmiş arazi ve laboratuvar deneylerinden elde edilen veriler kullanılarak net limit basınç (PLN) ve deformasyon modülü (E) değerleri tahmin edilmeye çalışılmıştır. Bu amaçla; Regresyon Ağaçları (RA), Destek Vektör Makineleri (DVM), Gauss Süreç Regresyonu (GSR) olmak üzere üç farklı makine öğrenimi yöntemi kullanılmıştır. Düzeltilmiş SPT (SPT-N(60)), likit limit (%LL), plastisite indeksi (%PI) ve birim hacim ağırlık (BHA) verileri modellerin girdi parametrelerini oluşturmaktadır. Her bir model için üç makine öğrenimi yöntemi de uygulanmıştır. Buna göre; çalışma kapsamında DVM ve GSR yöntemleri RA yöntemine göre daha yüksek tahmin performansı göstermiştir. PLN’nin ve E’nin tahmin edilmesine yönelik oluşturulan modeller karşılaştırıldığında ise; PLN’nin tahmin performansı daha yüksek çıkmıştır. Sonuç olarak; üç farklı makine öğrenimi yönteminin de PLN’nin ve E’nin tahmininde kullanılabileceği, özellikle arazi çalışmalarının yüksek maliyetli olduğu, örnekleme çalışmalarının güçlüğü gibi durumlarda temsil kabiliyetinin yüksek olduğu sonucuna varılmıştır.

🔖

Cite This Article

Gültekin, N., Doğan, A. (2022). Predicting net limit pressure and deformation modulus of cohesive soils using machine learning-based methods. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 11 Sayı: 4, 1025–1033. https://doi.org/10.28948/ngumuh.1155568

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (50)

  1. A. Kayabasi, C. Gokceoglu, and M. Ercanoglu, Estimating the deformation modulus of rock masses: a comparative study. Int. J. Rock Mech. Min. Sci., 40 (1), 55–63, 2003.
  2. C. Gokceoglu, H. Sonmez, and A. Kayabasi, Predicting the deformation moduli of rock masses. Int. J. Rock Mech. Min. Sci., 40 (5), 701–710, 2003.
  3. E. Hoek and M. S. Diederichs, Empirical estimation of rock mass modulus. Int. J. rock Mech. Min. Sci., 43 (2), 203–215, 2006.
  4. L. Zhang and H. H. Einstein, Using RQD to estimate the deformation modulus of rock masses. Int. J. rock Mech. Min. Sci., 41 (2), 337–341, 2004.
  5. J. Galera, Z. Alvarez, and Z. Bienawski, Evaluation of the deformation modulus of rock masses: comparison between pressure meter and dilatometer tests with RMR predictions. in ISP5-PRESSIO 2005, 2005.
  6. A. Celal, Silt Biriminde (Kastamonu, Türkiye) Yapılan Menard Presiyometre, Standart Penetrasyon ve Laboratuvar Deney Sonuçları Arasındaki İlişkilerin Araştırılması. Tek. dergi, 25 (122), 6679–6698, 2013.
  7. N. S. Isik, R. Ulusay, and V. Doyuran, Deformation modulus of heavily jointed–sheared and blocky greywackes by pressuremeter tests: numerical, experimental and empirical assessments. Eng. Geol., 101 (3-4), 269–282, 2008.
  8. Y. Zhang, J. Qiu, Y. Zhang, and R. Liao, The Establishment of a Constitutive Model of Sand Under Monotonic Loading by Adopting the Support Vector Machine (SVM). Arab. J. Sci. Eng., 47 (4), 4421–4435, 2022. https://doi.org/10.1007/s13369-021-06093-6
  9. Y. Li, H. Rahardjo, A. Satyanaga, S. Rangarajan, and D. T.-T. Lee, Soil database development with the application of machine learning methods in soil properties prediction. Eng. Geol., 306, 106769, 2022.
  10. S. Wu, J. M. Zhang, and R. Wang, Machine learning method for CPTu based 3D stratification of New Zealand geotechnical database sites. Adv. Eng. Informatics, 50, 101397, https://doi.org/ 10.1016/J.AEI.2021.101397
  11. J. Velicka, M. Pies, and R. Hajovsky, Design of methods for impact detection in geotechnical protection fences using Machine Learning. IFAC-PapersOnLine, 55 (4) 91–96, 2022, https://doi.org/ 10.1016/J.IFACOL.2022.06.015
  12. N. Puri, H. D. Prasad, and A. Jain, Prediction of Geotechnical Parameters Using Machine Learning Techniques. Procedia Comput. Sci., 125, 509–517, 2018. https://doi.org/10.1016/J.PROCS.2017.12.066
  13. N. Ceryan, E. C. Ozkat, N. Korkmaz Can, and S. Ceryan, Machine learning models to estimate the elastic modulus of weathered magmatic rocks. Environ. Earth Sci., 80 (12), 448, 2021. https://doi.org/10.1007/s12665-021-09738-9
  14. N. M. Shahani, X. Zheng, X. Guo, and X. Wei, Machine Learning-Based Intelligent Prediction of Elastic Modulus of Rocks at Thar Coalfield. Sustainability, 14 (6), 3689, 2022.
  15. A. Majdi and M. Beiki, Evolving neural network using a genetic algorithm for predicting the deformation modulus of rock masses. Int. J. Rock Mech. Min. Sci., 47 (2), 246–253, 2010. https://doi.org/ 10.1016/J.IJRMMS.2009.09.011
  16. H. Fattahi, M. A. Ebrahimi Farsangi, S. Shojaee, K. Nekooei, and H. Mansouri, Application of the hybrid harmony search with support vector machine for identification and classification of damaged zone around underground spaces TT ST, 3 (2), 345–358, 2013. http://ijoce.iust.ac.ir/article-1-137-en.html
  17. A. Majdi and M. Beiki, Applying evolutionary optimization algorithms for improving fuzzy C-mean clustering performance to predict the deformation modulus of rock mass. Int. J. Rock Mech. Min. Sci., 113, 172–182, 2019. https://doi.org/ 10.1016/J.IJRMMS.2018.10.030
  18. M. Hasanipanah, M. Jamei, A. S. Mohammed, M. N. Amar, O. Hocine, and K. M. Khedher, Intelligent prediction of rock mass deformation modulus through three optimized cascaded forward neural network models. Earth Sci. Informatics, 1–11, 2022.
  19. A. Rashed, J. B. Bazaz, and A. H. Alavi, Nonlinear modeling of soil deformation modulus through LGP-based interpretation of pressuremeter test results. Eng. Appl. Artif. Intell., 25 (7), 1437–1449, 2012, doi: https://doi.org/10.1016/J.ENGAPPAI.2011.11.008
  20. A. H. Alavi, A. H. Gandomi, H. C. Nejad, A. Mollahasani, and A. Rashed. Design equations for prediction of pressuremeter soil deformation moduli utilizing expression programming systems. Neural Comput. Appl., 23 (6), 1771–1786, 2013.
  21. S. Alemdag, Z. Gurocak, A. Cevik, A. F. Cabalar, and C. Gokceoglu, Modeling deformation modulus of a stratified sedimentary rock mass using neural network, fuzzy inference and genetic programming. Eng. Geol., 203, 70–82, 2016.
  22. R. Z. Moayed, A. Kordnaeij, and H. Mola-Abasi, Pressuremeter modulus and limit pressure of clayey soils using GMDH-type neural network and genetic algorithms. Geotech. Geol. Eng., 36 (1), 165–178, 2018.
  23. Google Earth. http://www.google.com/ intl/tr/earth/index.html, Accessed:26.07.2022
  24. MTA Genel Müdürlüğü. Yer Bilimleri Harita Görüntüleyici.http://yerbilimleri.mta.gov.tr/anasayfa.aspx, Accessed:25.07.2022.
  25. S. S. C. Liao and R. V Whitman, Overburden correction factors for SPT in sand. J. Geotech. Eng., 112 (3), 373–377, 1986.
  26. A. W. Skempton, The colloidal activity of clays. 3rd International Conference on Soil Mechanics and Foundation Engineering, Switzerland 1, 57, 1953.
  27. B. G. Clarke, Pressuremeters in geotechnical design. CRC Press, 1994.
  28. IBM SPSS Statistics v23.0. https://www.ibm.com/ support/pages/downloading-ibm-spss-statistics-23, Accessed:03.08.2022.
  29. MATLAB 2020b,https://www.mathworks.com/ products/new_products/release2020b.html, Accessed:03.08.2022.
  30. Y. B. Yücel, Yaşam memnuniyetini etkileyen faktörlerin sınıflama ve regresyon ağacı ile belirlenmesi. Yüksek Lisans Tezi, İstanbul Ticaret Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 2017.
  31. M. Mendeş and E. Akkartal, Regression tree analysis for predicting slaughter weight in broilers. Italian Journal of Animal Science, 8 (4), 615-624, 2009.
  32. L. Rokach and O. Z. Maimon, Data mining with decision trees: theory and applications. 2nd Edition ed. Singapore: World Scientific, 2014.
  33. G. Temel Orekici, Sınıflama ve regresyon ağaçları. Yüksek Lisans Tezi, Mersin Üniversitesi Sağlık Bilimleri Enstitüsü, Mersin, 2004.
  34. V. Vapnik, The nature of statistical learning theory. NY: Springer-Verlag, 1995.
  35. K. Soman, R. Loganathan, and V. Ajay, Machine learning with SVM and other kernel methods. PHI Learning Pvt. Ltd., 2009.
  36. S. Ayhan and Ş. Erdoğmuş, Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9 (1), 175-201, 2014.
  37. S. Haykin, Neural Networks, a comprehensive foundation. Prentice-Hall Inc. Upper Saddle River, New Jersey, 7458, 161-175, 1999.
  38. S. Tolun, Destek vektör makineleri: Banka başarısızlığının tahmini üzerine bir uygulama. Doktora Tezi, İşletme Anabilim Dalı, İstanbul Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul, 2008.
  39. N. Cristianini and J. Shawe-Taylor, An introduction to support vector machines and other kernel-based learning methods. Cambridge university press, 2000.
  40. B. Schölkopf, J. C. B. Christopher, and J. A. Smola, Advances in kernel methods (Support Vector Learning). The MIT Press, Cambridge, England, 1999.
  41. T. Kavzoğlu and İ. Çölkesen, Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi. Harita Dergisi, 144 (7), 73-82, 2010.
  42. S. Huang, N. Cai, P. P. Pacheco, S. Narrandes, Y. Wang, and W. Xu, Applications of support vector machine (SVM) learning in cancer genomics. Cancer genomics & proteomics, 15 (1), 41-51, 2018.
  43. E. E. Osuna, Support vector machines: Training and applications. Massachusetts Institute of Technology, USA, 1998.
  44. K. Liu, X. Hu, Z. Wei, Y. Li, and Y. Jiang, Modified Gaussian process regression models for cyclic capacity prediction of lithium-ion batteries. IEEE Transactions on Transportation Electrification, 5(4), 1225-1236, 2019.
  45. M. Acı and A. G. Doğansoy, Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37 (3), 1325-1340, 2022.
  46. B. Ateş, Gemi yapılarında gerilme yığılması öngörülerinin kaba ağ yapısı ve makine öğrenmesi ile gerçekleştirilmesi, Yüksek Lisans Tezi, Gemi ve Deniz Teknolojileri Mühendisliği Ana Bilim Dalı, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 2020.
  47. Y. Heo and V. M. Zavala, Gaussian process modeling for measurement and verification of building energy savings. Energy and Buildings, 53, 7-18, 2012.
  48. C. Rasmussen and C. Williams, Gaussian processes for machine learning. USA MIT Press, 2006.
  49. C. K. Arthur, V. A. Temeng, and Y. Y. Ziggah. Novel approach to predicting blast-induced ground vibration using Gaussian process regression. Engineering with Computers, 36 (1), 29-42, 2020.
  50. K. Yazıcı, Makine öğrenmesi yöntemleri kullanılarak kısa dönem rüzgar gücü tahmini, Yüksek Lisans Tezi Yüksek Lisans Tezi, Endüstri Mühendisliği, Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Sakarya, 2021.