Artificial neural networks approach for swell pressure versus soil suction behaviour


    loading  Checking for direct PDF access through Ovid

Abstract

In this study, the swell pressure versus soil suction behaviour was investigated using artificial neural networks (ANNs). To achieve this, the results of the total suction measurements using thermocouple psychrometer technique and constant-volume swell tests in oedometers performed on statically compacted specimens of Bentonite–Kaolinite clay mixtures with varying soil properties were used. Two different ANN models have been developed to predict the total suction and swell pressure. The ANNs results were compared with the experimental values and found close to the experimental results. Moreover, several performance indices such as correlation coefficient, variance account for (VAF), and root mean square error (RMSE) were calculated to check the prediction capacity of the ANN models developed. Both ANN models have shown a high prediction performance based on the performance indices. Therefore, it can be concluded that the initial soil suction is the most relevant state of suction that characterizes the potential swell pressures.RésuméDans cette recherche, on a étudié le comportement de la pression de gonflement en fonction de la succion dans le sol en utilisant des réseaux de neurones artificiels « ANNs ». À cette fin, les résultats des mesures de la succion totale au moyen d'une technique de psychromètre à thermocouples, et on a utilisé les essais de gonflement à volume constant dans des oedomètres réalisés sur des spécimens compactés statiquement de mélanges d'argiles de bentonite – kaolinite avec des propriétés de sols variables. Deux différents modèles d'ANN ont été développés pour prédire la succion totale et la pression de gonflement. Les résultats d'ANN ont été comparés avec les valeurs expérimentales et ils se sont révélés être près des résultats expérimentaux. De plus, plusieurs indices de performance tels que le coefficient de corrélation, la variance dont on a tenu compte « VAF » et l'erreur du moindre carré « RMSE » ont été calculés pour vérifier la capacité de prédiction des modèles ANN développés. Les deux modèles d'ANN ont montré une performance élevée de prédiction basée sur les indices de performance. En conséquence, on peut en conclure que la succion initiale du sol est l'état de succion le plus approprié pour caractériser les pressions de gonflement potentiel.

    loading  Loading Related Articles