Comparación de los algoritmos random forest y gradient boosting para una estimación global del índice de compresión
DOI:
https://doi.org/10.53673/th.v5i1.428Palabras clave:
Machine Learning, Índice de compresión, Límite líquido, Índice de plasticidad, Contenido de agua natural y relación de vacíos inicial.Resumen
El asentamiento de las estructuras está determinado por la rigidez del suelo donde se construyen. El índice de compresión (Cc) cuantifica la compresibilidad del suelo y es un parámetro clave en el diseño de estructuras geotécnicas, por lo que desarrollar un modelo de Machine Learning para estimar el índice de compresión Cc podría ser una solución muy valiosa en el campo de la geotecnia que permitiría a los ingenieros obtener estimaciones rápidas y fiables sin la necesidad de esperar los 15 días que generalmente tarda un ensayo de consolidación. Por lo tanto, la presente investigación tiene como objetivo estimar el índice de compresión, por lo que se recopiló y analizó una base de datos de 230 puntos de datos obtenidas del Laboratorio Nº2 de Mecánica de Suelos de la Facultad de Ingeniería Civil de la UNI. Se comparó dos modelos de Machine Learning basado en Random Forest (RF) y Gradient Boostin Machine (GBM) para estimar el Cc a partir de las variables de entradas las cuales son límite líquido, el índice de plasticidad, relación de vacíos inicial y el contenido de agua natural. Los resultados indicaron que el modelo más adecuado para estimar el Cc fue el random forest que tuvo menores errores en la fase de entrenamiento y prueba con respecto al GBM; para optimización de hiperparámetros se utilizó el método de grid search con validación cruzada.
Citas
Craig, R.F., 2004. Craig’s Soil Mechanics. CRC press.
Das, B.M., 2021. Principles of Geotechnical Engineering. Cengage learning.
Carter, M., Bentley, S.P., 1991. Correlations of Soil Properties. Pentech press publishers.
Azzouz, A.S., Krizek, R.J., Corotis, R.B., 1976. Regression analysis of soil compressibility. Soils Found. 16, 19–29. https://doi.org/10.3208/sandf1972.16.2_19.
Bowles, J.E., 1979. Physical and Geotechnical Properties of Soils.
Park, H.I., Lee, S.R., 2011. Evaluation of the compression index of soils using an artificial neural network. Comput. Geotech. 38, 472–481.
Sridharan, A., Nagaraj, H., 2000. Compressibility behaviour of remoulded, fine-grained soils and correlation with index properties. Can. Geotech. J. 37, 712–722.
Terzaghi, K., Peck, R.B., Mesri, G., 1967. Soil Mechanics in Engineering Practice, 2nd edition. John Wiley and Sons, New York.
Tsuchida, T., 1991. A new concept of e-logp relationship for clays. In: Proce, 9th Asian Regional Conference on Soil Mechanics and Foundation Engineering, pp. 87–90.
Sridharan, A., Nagaraj, H., 2000. Compressibility behaviour of remoulded, fine-grained soils and correlation with index properties. Can. Geotech. J. 37, 712–722.
Wroth, C., Wood, D., 1978. The correlation of index properties with some basic engineering properties of soils. Can. Geotech. J. 15, 137–145.
A.S., Krizek, R.J., Corotis, R.B., 1976. Regression analysis of soil compressibility. Soils Found. 16, 19–29. https://doi.org/10.3208/sandf1972.16.2_19.
Koppula, S., 1981. Statistical estimation of compression index. ASTM. Geotech. Test. J. 4.
Rendon-Herrero, O., 1980. Universal compression index equation. J. Geotech. Eng. Div. 106, 1179–1200.
Nishida, Y., 1956. A brief note on compression index of soil. J. Soil Mech. Found. Div. 82, 1027-1021-1027-1014. Onyejekwe, S., Kang, X., Ge,
Hough, B.K., 1957. Basic Soils Engineering.
Al-Khafaji, A., Andersland, O., 1992. Equations for compression index approximation. J. Geotech. Eng. 118, 148–153. https://doi.org/10.1061/(ASCE)0733-9410(1992) 118:1(148). Apostolopoulou,
Spagnoli, G., Shimobe, S., 2020. Statistical analysis of some correlations between
Verbrugge, J.-C., Schroeder, C., 2018. Geotechnical Correlations for Soils and Rocks. John Wiley & Sons.
Onyejekwe, S., Kang, X., Ge, L., 2016. Evaluation of the scale of fluctuation of geotechnical parameters by autocorrelation function and semivariogram function. Eng. Geol. 214, 43–49
Bardhan, A., Alzo’ubi, A.K., Palanivelu, S., Hamidian, P., GuhaRay, A., Kumar, G., Tsoukalas, M.Z., Asteris, P.G., 2023. A hybrid approach of ANN and improved PSO for estimating soaked CBR of subgrade soils of heavy-haul railway corridor. Int. J. Pavem. Eng. 24, 2176494. https://doi.org/10.1080/10298436.2023.2176494.
Dam Nguyen, D., Roussis, P.C., Thai Pham, B., Ferentinou, M., Mamou, A., Quang, Vu, Thi Bui, Q.-A., Kien Trong, D., Asteris, P.G., 2022. Bagging and Multilayer Perceptron Hybrid Intelligence Models predicting the Swelling potential of Soil. Transp. Geotech. 36, 100797 https://doi.org/10.1016/j.trgeo.2022.100797.
Díaz, E., Tom´as, R., 2021. Upgrading the prediction of jet grouting column diameter using deep learning with an emphasis on high energies. Acta Geotech. 16, 1627–1633. https://doi.org/10.1007/s11440-020-01091-8.
Singh, M.J., Kaushik, A., Patnaik, G., Xu, D.-S., Feng, W.-Q., Rajput, A., Prakash, G., Borana, L., 2023. Machine learning-based approach for predicting the consolidation characteristics of soft soil. Mar. Georesour. Geotechnol. 1-15 https://doi.org/ 10.1080/1064119X.2023.2193174.
Baghbani, A., Choudhury, T., Costa, S., Reiner, J., 2022. Application of artificial intelligence in geotechnical engineering: A state-of-the-art review. Earth Sci. Rev. 228, 103991. Zhang, W., Gu, X., Hong, L., Han, L., Wang, L., 2023. Comprehensive review of machine learning in geotechnical reliability analysis: Algorithms, applications and further challenges. Appl. Soft Comput. 136, 110066 https://doi.org/10.1016/j. asoc.2023.110066.
Desai, V.M., Desai, V., Rao, D., 2009. Prediction of compression index using artificial neural networks. In: Indian Geotechnical Conference (IGC-2009), Guntur, India, pp. 614–617.
Kalantary, F., Kordnaeij, A., 2012. Prediction of compression index using artificial neural network. Sci. Res. Essays 7, 2835–2848.
Kumar, V.P., Rani, C.S., 2011. Prediction of compression index of soils using artificial neural networks (ANNs). Int. J. Eng. Res. Appl. 1, 1554–1558.
Nesamatha, R., Arumairaj, P., 2015. Numerical modeling for prediction of compression index from soil index properties. Electron. J. Geotech. Eng. 20, 4369–4378.
Alam, S., Khuntia, S., Patra, C., 2014. Prediction of compression index of clay using artificial neural network. In: International Conference on Industrial Engineering Science and Applications-NIT, Durgapur.
Park, H.I., Lee, S.R., 2011. Evaluation of the compression index of soils using an artificial neural network. Comput. Geotech. 38, 472–481.
Benbouras, M.A., Kettab Mitiche, R., Zedira, H., Petrisor, A.-I., Mezouar, N., Debiche, F., 2019. A new approach to predict the compression index using artificial intelligence methods. Mar. Georesour. Geotechnol. 37, 704–720.
Zhang, P., Yin, Z.-Y., Jin, Y.-F., Chan, T.H.T., Gao, F.-P., 2021. Intelligent modelling of clay compressibility using hybrid meta-heuristic and machine learning algorithms. Geosci. Front. 12, 441–452. https://doi.org/10.1016/j.gsf.2020.02.014.
Reagan, L.A., Kiemele, M.J., 2008. Design for Six Sigma: The Tool Guide for Practitioners.
Aydın, Y., Is¸ıkda˘g, Ü., Bekdas¸, G., Nigdeli, S.M., Geem, Z.W., 2023. Use of Machine Learning Techniques in Soil Classification. Sustainability 15, 2374.
Díaz, E., Salamanca-Medina, E.L., Tom´as, R., 2023. Assessment of compressive strength of jet grouting by machine learning. J. Rock Mech. Geotech. Eng. https://doi.org/ 10.1016/j.jrmge.2023.03.008.
Sch¨olkopf, B., Williamson, R.C., Smola, A., Shawe-Taylor, J., Platt, J., 1999. Support vector method for novelty detection. Adv. Neural Inf. Proces. Syst. 12.
Ho, T.K., 1995. Random decision forests. In: Proceedings of 3rd International Conference on Document Analysis and Recognition. IEEE, pp. 278–282.
Friedman, J.H., 2001. Greedy function approximation: a gradient boosting machine, pp. 1189–1232.
Yang, L., & Shami, A. (2020). On hyperparameter optimization of machine learning algorithms: Theory and practice. Neurocomputing, 415, 295-316.
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
El autor permite el uso y difusión de los artículos a los lectores y a la revista, por medio de la licencia Creative Commons CC-BY-4.0 (Reconocimiento 4.0). Esta licencia permite que cualquiera distribuya, remezcle, adapte y rediseñe a partir de un trabajo, incluso con fines lucrativos, siempre que se mencione la autoría de la creación original.
Ruta CC-BY-4.0: https://creativecommons.org/licenses/by/4.0/
