Neural Estimation of Localization and Classification of Soils for Use in Low-Traffic-Volume Roads

Abstract

This research proposes the development of a method of localization and prediction of AASHTO soil classification that can contribute to the decision-making process in projects for low-traffic-volume roads in the metropolitan area of Fortaleza, Ceará, Brazil. Geoprocessing and artificial neural networks were used as modeling techniques, and biophysical and spatial variables were used to explain the modeled phenomenon. The characteristics investigated (pedology, geology, geomorphology, vegetation, altimetry, and position) were correlated with the AASHTO classification. The soil AASHTO classification data were taken from projects and preexisting studies and totaled 876 points. In the development of this geotechnical estimates generation model, artificial neural network topologies were calibrated, validated, and tested so as to find a model that could best fit the set of tests. The model had an accuracy rate of 92.6% for the generation of estimates of AASHTO soil classification in the Fortaleza region, on the basis of the biophysical variables studied. The tested model was used to construct neural geotechnical maps that can be used to predict the AASHTO classification of soils not yet characterized in the lab and to predict the type of subgrade of a region not yet explored. Results show that the artificial neural networks technique is promising for geotechnical studies of low-traffic-volume roads.

Metodologia de baixo custo para mapeamento geotécnico aplicado à pavimentação

“…Não se tem conhecimento da existencia de mapas representando o CBR para qualquer regiaõ do Brasil e do mundo. Contudo, Ribeiro et al (2015) desenvolveram mapas de prediçaõ da classi icação da AASHTO para a RMF a partir de dados geotećnicos pre-existentes. Para possibilitar a confecção de mapas com essa informação se faz necessária adoção de ferramentas e funções de Geoprocessamento.…”

“…Para medir-se o desempenho das topologias testadas, adotou-se o MSE (Mean of Squared Error) ou (Quadrado Medio dos Erros) -medida de desempenho encontrada em Ribeiro et al (2015), sendo a mesma de inida pela Equação (7). p n SSE MSE − = onde SSE: diferenças quadráticas entre os valores de saıda da RNA; n: número de exemplos do conjunto de treinamento (quantidade de padrões); p: número de parâmetros a serem estimados (quantidade de pesos da rede).…”

“…Essas amostras foram selecionadas com base na Classi icaçaõ da AASHTO dos solos utilizado na modelagem, onde se buscou coletar solos de cada classe as quais representasse os modelos, tomando como base os percentuais citados nas Figuras 5 e 6. Para auxiliar a coleta com base na classi icação da AASHTO, utilizou-se o mapa de previsaõ de classes AASTHO publicado em Ribeiro et. al.…”

“…Geralmente, nesses projetos busca-se maximizar sua qualidade e minimizar os custos com a coleta e caracterizaçaõ de materiais. Uma forma de atingir esse objetivo seria a existencia de mapas e cartas, a partir de ensaios ou previsão, das propriedades geotećnicas dos solos (RIBEIRO et al, 2015). Para Almeida et.…”

Previsão estatística e mapeamento das propriedades geotécnicas dos solos da microrregião de mossoró-RN

“…Os modelos resultantes desta investigação podem auxiliar no processo de tomada de decisão em obras de pavimentação, minimizando os custos e o tempo de realização estudos geotécnicos, sobretudo na fase de estudos de viabilidade e pré-projeto. dessas características através de modelos ou de banco de dados pode ajudar a reduzir custos e aumentar a qualidade na elaboração e execução dos projetos (RIBEIRO et al, 2015).…”