Published September 23, 2022
| Version v1
Publication
Open
Estimation of the compaction parameters of aggregate base course using artificial neural networks
Description
Abstract The process of estimating the compaction parameters namely the maximum dry density (MDD) and optimum moisture content (OMC) through laboratory tests is time-consuming, labor-intensive, and costly. These issues can be avoided by developing prediction models that are able to accurately predict the compaction parameters from index properties that are easier to estimate in the laboratory. As a result, this study focuses on employing artificial neural networks (ANNs) for the prediction of the compaction parameters of aggregate base course samples from the grain size distribution and Atterberg limits. Additionally, different ANNs with different structures were tested in order to set the optimum hyperparameters that minimize the errors in the predictions. Specifically, this study investigates the impact of the number of hidden layers, number of neurons per hidden layer, and activation functions on the performance of the ANNs. Furthermore, the weight decay method, which is the most common regularization technique, was used during the training of the ANNs in order to avoid overfitting and control the changes in the connection weights. The results indicate that the optimum hyperparameter settings changes depending on the optimized output. Additionally, the ReLU activation function is the most stable function that produces the best predictions. Moreover, the results show that ANN approach represents a major innovative tool for accurately predicting the compaction parameters with R 2 values of 0.826 and 0.911 for predicting the MDD and OMC.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الملخص عملية تقدير معلمات الضغط وهي الحد الأقصى للكثافة الجافة (MDD) ومحتوى الرطوبة الأمثل (OMC) من خلال الاختبارات المعملية تستغرق وقتًا طويلاً وكثيفة العمالة ومكلفة. يمكن تجنب هذه المشكلات من خلال تطوير نماذج التنبؤ القادرة على التنبؤ بدقة بمعلمات الضغط من خصائص المؤشر التي يسهل تقديرها في المختبر. ونتيجة لذلك، تركز هذه الدراسة على استخدام الشبكات العصبية الاصطناعية (ANNs) للتنبؤ بمعلمات الضغط لعينات الطبقة الأساسية للركام من توزيع حجم الحبوب وحدود Atterberg. بالإضافة إلى ذلك، تم اختبار ANNs مختلفة ذات هياكل مختلفة من أجل تعيين المعلمات الفائقة المثلى التي تقلل من الأخطاء في التنبؤات. على وجه التحديد، تبحث هذه الدراسة في تأثير عدد الطبقات المخفية، وعدد الخلايا العصبية لكل طبقة مخفية، ووظائف التنشيط على أداء ANNs. علاوة على ذلك، تم استخدام طريقة اضمحلال الوزن، وهي تقنية التنظيم الأكثر شيوعًا، أثناء تدريب ANNs من أجل تجنب الإفراط في التركيب والتحكم في التغييرات في أوزان التوصيل. تشير النتائج إلى أن إعدادات المعلمة المفرطة المثلى تتغير اعتمادًا على الإخراج الأمثل. بالإضافة إلى ذلك، فإن وظيفة تنشيط ReLU هي الوظيفة الأكثر استقرارًا التي تنتج أفضل التنبؤات. علاوة على ذلك، تظهر النتائج أن نهج ANN يمثل أداة مبتكرة رئيسية للتنبؤ بدقة بمعلمات الضغط بقيم R 2 البالغة 0.826 و 0.911 للتنبؤ بـ MDD و OMC.Translated Description (French)
Résumé Le processus d'estimation des paramètres de compactage à savoir la densité sèche maximale (MDD) et la teneur en humidité optimale (OMC) par des tests de laboratoire est long, laborieux et coûteux. Ces problèmes peuvent être évités en développant des modèles de prédiction capables de prédire avec précision les paramètres de compactage à partir de propriétés d'indice plus faciles à estimer en laboratoire. En conséquence, cette étude se concentre sur l'utilisation de réseaux neuronaux artificiels (RNA) pour la prédiction des paramètres de compactage des échantillons de parcours de base agrégés à partir de la distribution granulométrique et des limites d'Atterberg. De plus, différentes NNA avec différentes structures ont été testées afin de définir les hyperparamètres optimaux qui minimisent les erreurs dans les prédictions. Plus précisément, cette étude étudie l'impact du nombre de couches cachées, du nombre de neurones par couche cachée et des fonctions d'activation sur les performances des ANN. En outre, la méthode de décomposition du poids, qui est la technique de régularisation la plus courante, a été utilisée lors de l'entraînement des ANN afin d'éviter le surajustement et de contrôler les changements dans les poids de connexion. Les résultats indiquent que les paramètres optimaux de l'hyperparamètre changent en fonction de la sortie optimisée. De plus, la fonction d'activation ReLU est la fonction la plus stable qui produit les meilleures prédictions. De plus, les résultats montrent que l'approche ANN représente un outil innovant majeur pour prédire avec précision les paramètres de compactage avec des valeurs R 2 de 0,826 et 0,911 pour prédire la MDD et la MOC.Translated Description (Spanish)
Resumen El proceso de estimación de los parámetros de compactación, es decir, la densidad seca máxima (MDD) y el contenido óptimo de humedad (OMC) a través de pruebas de laboratorio, lleva mucho tiempo, requiere mucha mano de obra y es costoso. Estos problemas se pueden evitar desarrollando modelos de predicción que sean capaces de predecir con precisión los parámetros de compactación a partir de propiedades de índice que son más fáciles de estimar en el laboratorio. Como resultado, este estudio se centra en el empleo de redes neuronales artificiales (RNA) para la predicción de los parámetros de compactación de muestras de curso base agregadas a partir de la distribución del tamaño de grano y los límites de Atterberg. Además, se probaron diferentes RNA con diferentes estructuras para establecer los hiperparámetros óptimos que minimicen los errores en las predicciones. Específicamente, este estudio investiga el impacto del número de capas ocultas, el número de neuronas por capa oculta y las funciones de activación en el rendimiento de las RNA. Además, el método de decaimiento de peso, que es la técnica de regularización más común, se utilizó durante el entrenamiento de las RNA con el fin de evitar el sobreajuste y controlar los cambios en los pesos de conexión. Los resultados indican que la configuración óptima del hiperparámetro cambia en función de la salida optimizada. Además, la función de activación de ReLU es la función más estable que produce las mejores predicciones. Además, los resultados muestran que el enfoque ANN representa una importante herramienta innovadora para predecir con precisión los parámetros de compactación con valores R 2 de 0.826 y 0.911 para predecir el MDD y el OMC.Files
s42452-022-05158-x.pdf.pdf
Files
(1.7 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:c24dc2e0eea8d28a94f9294cd25051e2
|
1.7 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تقدير معلمات الضغط لمسار قاعدة الركام باستخدام الشبكات العصبية الاصطناعية
- Translated title (French)
- Estimation des paramètres de compactage du cours de base agrégé à l'aide de réseaux de neurones artificiels
- Translated title (Spanish)
- Estimación de los parámetros de compactación del curso base agregado utilizando redes neuronales artificiales
Identifiers
- Other
- https://openalex.org/W4296900799
- DOI
- 10.1007/s42452-022-05158-x
References
- https://openalex.org/W1994051599
- https://openalex.org/W1995341919
- https://openalex.org/W1999062794
- https://openalex.org/W2018963697
- https://openalex.org/W2028914426
- https://openalex.org/W2031781352
- https://openalex.org/W2037328743
- https://openalex.org/W2062407552
- https://openalex.org/W2094558505
- https://openalex.org/W2096581718
- https://openalex.org/W2145069160
- https://openalex.org/W2202741741
- https://openalex.org/W2555387706
- https://openalex.org/W2599024541
- https://openalex.org/W2604691965
- https://openalex.org/W2793527464
- https://openalex.org/W2903252259
- https://openalex.org/W2944616097
- https://openalex.org/W3027562242
- https://openalex.org/W3090942783
- https://openalex.org/W3159291936
- https://openalex.org/W3212817648
- https://openalex.org/W323315196
- https://openalex.org/W4200270335
- https://openalex.org/W4221085948
- https://openalex.org/W4224781606
- https://openalex.org/W4244471710