Novi računski model za boljšo napoved kompresijskega indeksa zemljine

The compression index is one of the important soil parameters that are essential for geotechnical designs. Because laboratory and in-situ tests for determining the compression index (Cc) value are laborious, time consuming and costly, empirical formulas based on soil parameters are commonly used. Over the years a number of empirical formulas have been proposed to relate the compressibility to other soil parameters, such as the natural water content, the liquid limit, the plasticity index, the specific gravity. These empirical formulas provide good results for a specific test set, but cannot accurately or reliably predict the compression index from various test sets. The other disadvantage is that they tend to use a single parameter to estimate the compression index (Cc), even though Cc exhibits spatial characteristics depending on several soil parameters. This study presents the potential for Genetic Expression Programming (GEP) and the Adaptive Neuro-Fuzzy (ANFIS) computing paradigm to predict the compression index from soil parameters such as the natural water content, the liquid limit, the plastic index, the specific gravity and the void ratio. A total of 299 data sets collected from the literature were used to develop the models. The performance of the models was comprehensively evaluated using several statistical verification tools. The predicted results showed that the GEP and ANFIS models provided fairly promising approaches to the prediction of the compression index of soils and could provide a better performance than the empirical formulas.Kompresijski indeks je eden od pomembnejših parametrov zemljine, ki je bistven za geotehnično projektiranje. Ker so laboratorijski in terenski preizkusi za določitev vrednosti kompresijskega indeksa (Cc) težavni, dolgotrajni in dragi, se za ta namen pogosto uporabljajo empirične enačbe na osnovi parametrov zemljin. V preteklih letih so bile predlagane številne empirične enačbe, ki podajajo relacijo med stisljivostjo in drugimi parametri zemljine, kot so naravna vlažnost, meja židkosti, indeks plastičnosti in specifična gravitacija. Te empirične enačbe zagotavljajo dobre rezultate za posamezne preizkusne nize, vendar ne morejo natančno ali zanesljivo napovedati vrednosti kompresijskega indeksa iz različnih preizkusnih nizov. Druga pomanjkljivost teh empiričnih enačb je, da uporabljajo en parameter za ocenitev kompresijskega indeksa (Cc), čeprav kaže Cc prostorske značilnosti, odvisne od več parametrov zemljin. Prispevek predstavlja možnost za genetsko programiranje (GEP) in Adaptive Neuro-Fuzzy (ANFIS) računski zgled za oceno kompresijskega indeksa iz parametrov zemljine kot so naravna vlažnost, meja židkosti, indeks plastičnosti, specifična gravitacija in količnik por. Skupno je bilo za razvoj modelov uporabljenih 299 podatkovnih nizov zbranih iz literature. Učinkovitost tako izdelanih modelov je bila celovito ocenjena z uporabo različnih statističnih verifikacijskih orodij. Napovedani rezultati so pokazali, da modela GEP in ANFIS omogočata dokaj obetavne pristope za napoved kompresijskega indeksa zemljin in sta lahko bolj učinkovita kot empirične enačbe