使用基因表达式编程模型预测细粒土压缩指数
应用统计
2019-07-12 v1 机器学习
神经与进化计算
机器学习
摘要
在建设项目中，细粒土沉降的估算至关重要，但却是一项具有挑战性的任务。压缩指数（Cc）的固结系数是细粒土层沉降建模的关键参数。然而，该参数的估算成本高、耗时长，且需要熟练技术人员。为克服这些缺点，我们旨在通过其他土壤参数，即液限（LL）、塑限（PL）和初始孔隙比（e0）来预测 Cc。与估算 Cc 的常规试验相比，使用这些参数更方便，且所需时间和成本大幅减少。本研究提出一种使用基因表达式编程（GEP）的细粒土 Cc 新型预测模型。使用了由 108 个不同数据点组成的数据库来开发模型。推导出一个基于 LL、PL 和 e0 估算 Cc 的闭式方程解。通过决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）评估所开发的基于 GEP 的模型性能。与其他模型相比，所提模型在 R2、RMSE 和 MAE 方面表现更优。
引用
@article{arxiv.1907.04913,
title = {Prediction of Compression Index of Fine-Grained Soils Using a Gene Expression Programming Model},
author = {Danial Mohammadzadeh and Seyed-Farzan Kazemi and Amir Mosavi and Ehsan Nasseralshariati and Joseph H. M. Tah},
journal= {arXiv preprint arXiv:1907.04913},
year = {2019}
}
备注
8 figures, 5 tables, 12 pages