Prediction of Bearing Capacity of Stone Columns Placed in Soft Clay Using SVR Model

Das, Manita; Dey, Ashim Kanti

doi:10.1007/s13369-018-3513-7

Cited by 16 publications

(2 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Machine learning (ML) approaches have recently attracted much attention for developing paradigms that can precisely predict complex system parameters [12,[26][27][28][29][30][31][32][33][34]. Al-Obaidy and Al-Shueli [30] predicted the bearing capacity of stone columns using MATLAB's Neural Network Toolbox.…”

Section: Introductionmentioning

confidence: 99%

Prediction of the Bearing Capacity of Composite Grounds Made of Geogrid-Reinforced Sand over Encased Stone Columns Floating in Soft Soil Using a White-Box Machine Learning Model

Zeini

Lwti

Imran³

et al. 2023

Applied Sciences

View full text Add to dashboard Cite

Stone columns have been extensively advocated as a traditional approach to increase the undrained bearing capacity and reduce the settlement of footings sitting on cohesive ground. However, due to the complex interaction between the soil and the stone columns, there currently needs to be a commonly acknowledged approach that can be used to precisely predict the undrained bearing capacity of the system. For this reason, the bearing capacity of a sandy bed reinforced with geogrid and sitting above a collection of geogrid-encased stone columns floating in soft clay was studied in this research. Using a white-box machine learning (ML) technique called Multivariate Polynomial Regression (MPR), this work aims to develop a model for predicting the bearing capacity of the referred foundation system. For this purpose, two hundred and forty-five experimental results were collected from the literature. In addition, the model was compared to two other ML models, namely, a black-box model known as Random Forest (RF) and a white-box ML model called Linear Regression (LR). In terms of R2 (coefficient of determination) and RMSE (Root Mean Absolute Error) values, the newly proposed model outperforms the two other referred models and demonstrates robust estimation capabilities. In addition, a parametric analysis was carried out to determine the contribution of each input variable and its relative significance on the output.

show abstract

Section: Introductionmentioning

confidence: 99%

Prediction of the Bearing Capacity of Composite Grounds Made of Geogrid-Reinforced Sand over Encased Stone Columns Floating in Soft Soil Using a White-Box Machine Learning Model

Zeini

Lwti

Imran³

et al. 2023

Applied Sciences

View full text Add to dashboard Cite

show abstract

“…Debnath ve Dey [10]; taş kolon çapı ve boyu, kolonlar arası mesafe ve dairesel temel sisteminin çapı gibi faktörlerden yumuşak killerde geogridle güçlendirilmiş taş kolon gruplarının taşıma gücünün, Das ve Dey [11]; drenajsız kohezyon, içsel sürtünme açısı, taş kolon çapı ve boyu, kolonlar arası mesafe değerlerinden taş kolonların taşıma gücünün, Pal ve Deswal [12]; kazık çapı ve boyu, yükleme eksantrisitesi, zeminin drenajsız kayma dayanımı değerlerinden ve Kardani vd. [13]; kazığın yan ve uç bölgelerindeki içsel sürtünme açısı, kazığın çapı ve boyu değerlerinden kohezyonsuz zeminlerde inşa edilen kazıkların taşıma gücünün, Moayedi ve Hayati [14]; 80 adet drenajsız kayma mukavemeti, efektif düşey gerilme, kazık çapı ve boyu değerlerinden killi zeminlerdeki kazıkların yanal sürtünme direncinin, Singh vd.…”

unclassified

Destek vektör regresyonu yaklaşımı ile istinat duvarı tasarım parametrelerinin belirlenmesi

Çalık

2024

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

Bir istinat duvarında kritik kayma yüzeyinin yeri (αcr), sismik aktif toprak itkisinin büyüklüğü (Pae) ve etki mesafesi (zae); arka dolgu zeminin özellikleri, yükleme durumu ve problem geometrisi ile alakalı birçok parametreden etkilenmektedir. Son yıllarda, bunun gibi çok sayıda girdi ve çıktı değişkenine sahip mühendislik problemlerinde, Destek Vektör (Makine) Regresyonu (DVR) gibi güçlü öğrenme algoritmalarının parametreler arasındaki regresyon ilişkilerini ortaya çıkarılmasında kullanılmasıyla kompleks hesap adımlarını izlemeden bilinmesi gereken tasarım parametrelerinin tahmini üzerinde durulmaktadır. Bu çalışmada DVR ile, parametrik olarak üretilen 119393 veri içeren büyük hacimli bir data kümesinden 11 adet girdi parametresi ve 3 adet çıktı parametresi arasındaki en iyi regresyon ilişkileri, 2 farklı örnekleme tekniği, 6 değişik çekirdek fonksiyonunun kullanılmasıyla ile ortaya çıkarılmıştır. Pae için kübik fonksiyon, αcr ve zae için medium gauss fonksiyon en iyi DVR modellerini oluşturmuşlardır. Model tahminlerinin gerçek değerden sapmaları sırasıyla ±20 kN/m2, ±8º ve ±0,15 m gibi bir değişim bandı içinde yer almıştır. Bununla birlikte örnekleme yöntemlerinin modellerin öngörü performansı üzerinde etkisi hemen hemen hiç olmamıştır. DVR modellerin doğrulanması, 4374 adet veri barındıran yeni bir data seti ile literatürdeki başka bir çalışmanın sonuçları ile istatistiksel olarak karşılaştırılması suretiyle gerçekleştirilmiştir. Burada, DVR modeller en başarılı tahmin performansını Pae ve αcr için sergilemişlerdir. Bununla birlikte zae için yapılan DVR öngörülerinin göreceli olarak bir parça zayıf kaldığı gözlense de halen istatistiksel olarak kabul edilebilir seviyededir.

show abstract

Improvement of Bearing Capacity of Stone Columns: An Analytical Study

Das

Dey

2021

Lecture Notes in Civil Engineering

View full text Add to dashboard Cite

Prediction of Bearing Capacity of Stone Columns Placed in Soft Clay Using SVR Model

Cited by 16 publications

References 25 publications

Prediction of the Bearing Capacity of Composite Grounds Made of Geogrid-Reinforced Sand over Encased Stone Columns Floating in Soft Soil Using a White-Box Machine Learning Model

Prediction of the Bearing Capacity of Composite Grounds Made of Geogrid-Reinforced Sand over Encased Stone Columns Floating in Soft Soil Using a White-Box Machine Learning Model

Destek vektör regresyonu yaklaşımı ile istinat duvarı tasarım parametrelerinin belirlenmesi

Improvement of Bearing Capacity of Stone Columns: An Analytical Study

Contact Info

Product

Resources

About