Published November 2, 2020 | Version v1
Publication Open

An advanced meta-learner based on artificial electric field algorithm optimized stacking ensemble techniques for enhancing prediction accuracy of soil shear strength

Creators

  • 1. Minghsin University of Science and Technology
  • 2. Duy Tan University
  • 3. Hanoi University of Mining and Geology
  • 4. University of South-Eastern Norway

Description

Abstract Shear strength is a crucial property of soils regarded as its intrinsic capacity to resist failure when forces act on the soil mass. This study proposes an advanced meta-leaner to discern the shear strength property and generate a reliable estimation of the ultimate shear strength of the soil. The proposed model is named as metaheuristic-optimized meta-ensemble learning model (MOMEM) and aims at helping geotechnical engineers accurately predict the parameter of interest. The MOMEM was established with the integration of the artificial electric field algorithm (AEFA) to dynamically blend the radial basis function neural network (RBFNN) and multivariate adaptive regression splines (MARS). In the framework of forming MOMEM, the AEFA consistently monitor the learning phases of the RBFNN and MARS in mining soil shear strength property through optimizing their controlling parameters, including neuron number, Gaussian spread, regularization coefficient, and kernel function parameter. Simultaneously, RBFNN and MARS are stacked via a linear combination method with dynamic weights optimized by the AEFA metaheuristic. The one-tail t test on 20 running times affirmed that with the greatest mean and standard deviation of RMSE (mean = 0.035 kg/cm 2 ; Std. = 0.005 kg/cm 2 ), MAE (mean = 0.026 kg/cm 2 ; Std. = 0.004 kg/cm 2 ), MAPE (mean = 7.9%; Std. = 1.72%), and R 2 (mean = 0.826; Std. = 0.055), the MOMEM is significantly superior to other artificial intelligence-based methods. These analytical results indicate that MOMEM is an innovative tool for accurate calculating soil shear strength; thus, it provides geotechnical engineers with reliable figures to significantly increase soil-related engineering design.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

قوة القص المجردة هي خاصية حاسمة للتربة تعتبر قدرتها الجوهرية على مقاومة الفشل عندما تعمل القوى على كتلة التربة. تقترح هذه الدراسة أداة تلوية متقدمة لتمييز خاصية قوة القص وتوليد تقدير موثوق لقوة القص النهائية للتربة. تم تسمية النموذج المقترح باسم نموذج التعلم التجميعي المحسن (MOMEM) ويهدف إلى مساعدة المهندسين الجيوتقنيين على التنبؤ بدقة بالمعلمة محل الاهتمام. تم إنشاء MOMEM مع دمج خوارزمية المجال الكهربائي الاصطناعي (AEFA) لمزج الشبكة العصبية الوظيفية ذات الأساس الشعاعي (RBFNN) وشرائح الانحدار التكيفي متعددة المتغيرات (MARS) ديناميكيًا. في إطار تشكيل MOMEM، تراقب AEFA باستمرار مراحل التعلم لـ RBFNN و MARS في خاصية قوة قص تربة التعدين من خلال تحسين معلمات التحكم الخاصة بها، بما في ذلك عدد الخلايا العصبية، وانتشار Gaussian، ومعامل التنظيم، ومعامل وظيفة النواة. في الوقت نفسه، يتم تكديس RBFNN و MARS عبر طريقة الجمع الخطي مع الأوزان الديناميكية المحسنة من قبل AEFA metaheuristic. أكد اختبار الذيل الواحد في 20 مرة تشغيل أنه مع أكبر متوسط وانحراف معياري لـ RMSE (المتوسط = 0.035 كجم/سم 2 ؛ Std. = 0.005 كجم/سم 2 )، MAE (المتوسط = 0.026 كجم/سم 2 ؛ Std. = 0.004 كجم/سم 2 )، MAPE (المتوسط = 7.9 ٪ ؛ Std. = 1.72 ٪)، و R 2 (المتوسط = 0.826 ؛ Std. = 0.055)، فإن MOMEM متفوقة بشكل كبير على الطرق الأخرى القائمة على الذكاء الاصطناعي. تشير هذه النتائج التحليلية إلى أن MOMEM هي أداة مبتكرة لحساب قوة قص التربة بدقة ؛ وبالتالي، فإنها توفر للمهندسين الجيوتقنيين أرقامًا موثوقة لزيادة التصميم الهندسي المتعلق بالتربة بشكل كبير.

Translated Description (French)

Résumé La résistance au cisaillement est une propriété cruciale des sols considérée comme sa capacité intrinsèque à résister à la rupture lorsque des forces agissent sur la masse du sol. Cette étude propose un méta-analyste avancé pour discerner la propriété de résistance au cisaillement et générer une estimation fiable de la résistance au cisaillement ultime du sol. Le modèle proposé est appelé modèle d'apprentissage méta-ensemble optimisé métaheuristique (MOMEM) et vise à aider les ingénieurs géotechniques à prédire avec précision le paramètre d'intérêt. Le MOMEM a été établi avec l'intégration de l'algorithme de champ électrique artificiel (AEFA) pour mélanger dynamiquement le réseau neuronal à fonction de base radiale (RBFNN) et les splines de régression adaptative multivariée (MARS). Dans le cadre de la formation de MOMEM, l'AEFA surveille systématiquement les phases d'apprentissage du RBFNN et de MARS dans la propriété de résistance au cisaillement du sol minier en optimisant leurs paramètres de contrôle, y compris le nombre de neurones, la propagation gaussienne, le coefficient de régularisation et le paramètre de fonction du noyau. Simultanément, RBFNN et MARS sont empilés via une méthode de combinaison linéaire avec des poids dynamiques optimisés par la métaheuristique AEFA. Le test t à une queue sur 20 temps de fonctionnement a affirmé qu'avec la plus grande moyenne et l'écart type de RMSE (moyenne = 0,035 kg/cm 2 ; Std. = 0,005 kg/cm 2 ), MAE (moyenne = 0,026 kg/cm 2 ; Std. = 0,004 kg/cm 2 ), MAPE (moyenne = 7,9 % ; Std. = 1,72 %) et R 2 (moyenne = 0,826 ; Std. = 0,055), le MOMEM est significativement supérieur aux autres méthodes basées sur l'intelligence artificielle. Ces résultats analytiques indiquent que le MOMEM est un outil innovant pour calculer avec précision la résistance au cisaillement du sol ; ainsi, il fournit aux ingénieurs géotechniques des chiffres fiables pour augmenter considérablement la conception technique liée au sol.

Translated Description (Spanish)

La resistencia al corte es una propiedad crucial de los suelos considerada como su capacidad intrínseca para resistir el fallo cuando las fuerzas actúan sobre la masa del suelo. Este estudio propone un avanzado metapoblador para discernir la propiedad de resistencia al cizallamiento y generar una estimación confiable de la resistencia al cizallamiento final del suelo. El modelo propuesto se denomina modelo de aprendizaje de metaensamblaje optimizado metaheurístico (MOMEM) y tiene como objetivo ayudar a los ingenieros geotécnicos a predecir con precisión el parámetro de interés. El MOMEM se estableció con la integración del algoritmo de campo eléctrico artificial (AEFA) para combinar dinámicamente la red neuronal de función de base radial (RBFNN) y las splines de regresión adaptativa multivariante (MARS). En el marco de la formación de MOMEM, la AEFA monitorea consistentemente las fases de aprendizaje de la RBFNN y MARS en la propiedad de resistencia al corte del suelo minero mediante la optimización de sus parámetros de control, incluido el número de neuronas, la propagación gaussiana, el coeficiente de regularización y el parámetro de función del núcleo. Simultáneamente, RBFNN y MARS se apilan mediante un método de combinación lineal con pesos dinámicos optimizados por la metaheurística AEFA. La prueba t de una cola en 20 tiempos de ejecución afirmó que con la mayor media y desviación estándar de RMSE (media = 0.035 kg/cm 2 ; Std. = 0.005 kg/cm 2 ), MAE (media = 0.026 kg/cm 2 ; Std. = 0.004 kg/cm 2 ), MAPE (media = 7.9%; Std. = 1.72%) y R 2 (media = 0.826; Std. = 0.055), el MOMEM es significativamente superior a otros métodos basados en inteligencia artificial. Estos resultados analíticos indican que MOMEM es una herramienta innovadora para calcular con precisión la resistencia al corte del suelo; por lo tanto, proporciona a los ingenieros geotécnicos cifras confiables para aumentar significativamente el diseño de ingeniería relacionado con el suelo.

Files

s00366-020-01116-6.pdf.pdf

Files (3.2 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:a96505dc96ea14ce306e8a807fd12d66
3.2 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
متعلم تلوي متقدم يعتمد على خوارزمية المجال الكهربائي الاصطناعي لتقنيات تجميع التراص المحسنة لتعزيز دقة التنبؤ بمقاومة قص التربة
Translated title (French)
Un méta-apprenant avancé basé sur des techniques d'ensemble d'empilage optimisées par un algorithme de champ électrique artificiel pour améliorer la précision de la prédiction de la résistance au cisaillement du sol
Translated title (Spanish)
Un metaaprendizaje avanzado basado en un algoritmo de campo eléctrico artificial optimizó las técnicas de apilamiento para mejorar la precisión de predicción de la resistencia al cizallamiento del suelo

Identifiers

Other
https://openalex.org/W3097398303
DOI
10.1007/s00366-020-01116-6

Is supplement to
https://openalex.org/W4387909643 (Other)
https://openalex.org/W4256152544 (Other)
https://openalex.org/W3139034309 (Other)
https://openalex.org/W3006349334 (Other)
https://openalex.org/W2186535538 (Other)
https://openalex.org/W2185815019 (Other)
https://openalex.org/W2122127011 (Other)
https://openalex.org/W2055800560 (Other)
https://openalex.org/W2003087713 (Other)
https://openalex.org/W10576317 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Vietnam

References

  • https://openalex.org/W1506806321
  • https://openalex.org/W1589436656
  • https://openalex.org/W1909207154
  • https://openalex.org/W1970245951
  • https://openalex.org/W1990521272
  • https://openalex.org/W2024184249
  • https://openalex.org/W2034654759
  • https://openalex.org/W2042165477
  • https://openalex.org/W2054359607
  • https://openalex.org/W2058611419
  • https://openalex.org/W2092334295
  • https://openalex.org/W2112973339
  • https://openalex.org/W2155399784
  • https://openalex.org/W2155806188
  • https://openalex.org/W2258441383
  • https://openalex.org/W2291443418
  • https://openalex.org/W2294405538
  • https://openalex.org/W2314082505
  • https://openalex.org/W2316074759
  • https://openalex.org/W2360578854
  • https://openalex.org/W2562317883
  • https://openalex.org/W2587345921
  • https://openalex.org/W2589423101
  • https://openalex.org/W2598457882
  • https://openalex.org/W2737994250
  • https://openalex.org/W2746706136
  • https://openalex.org/W2797086020
  • https://openalex.org/W2800343216
  • https://openalex.org/W2800958827
  • https://openalex.org/W2885746866
  • https://openalex.org/W2890028683
  • https://openalex.org/W2898721230
  • https://openalex.org/W2899778597
  • https://openalex.org/W2903125541
  • https://openalex.org/W2905155550
  • https://openalex.org/W2908629501
  • https://openalex.org/W2911907286
  • https://openalex.org/W2920455132
  • https://openalex.org/W2922792316
  • https://openalex.org/W2937242491
  • https://openalex.org/W2943381038
  • https://openalex.org/W2944518980
  • https://openalex.org/W2949851651
  • https://openalex.org/W2950297014
  • https://openalex.org/W2953576348
  • https://openalex.org/W2982801070
  • https://openalex.org/W2988589825
  • https://openalex.org/W2995284167
  • https://openalex.org/W2996197709
  • https://openalex.org/W2996910537
  • https://openalex.org/W3003184257
  • https://openalex.org/W3004581511
  • https://openalex.org/W3035623309
  • https://openalex.org/W34700618
  • https://openalex.org/W4232478844
  • https://openalex.org/W4248018214
  • https://openalex.org/W76748921