Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Implementation of deep neural networks and statistical methods to predict the resilient modulus of soils

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11310%2F23%3A10476937" target="_blank" >RIV/00216208:11310/23:10476937 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=nZTJOGcSSw" target="_blank" >https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=nZTJOGcSSw</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1080/10298436.2023.2257852" target="_blank" >10.1080/10298436.2023.2257852</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Implementation of deep neural networks and statistical methods to predict the resilient modulus of soils

  • Popis výsledku v původním jazyce

    The Resilient Modulus (Mr) is perhaps the most relevant and widely used parameter to characterise the soil behaviour under repetitive loading for pavement applications. Accordingly, it is a crucial parameter controlling the mechanistic-empirical pavement design. Nonetheless, determining the Mr by laboratory tests is not always possible due to the high consumption of time and financial resources. Thus, developing new indirect approaches for estimating the MR is necessary. Precisely, this article investigates the application of Deep Neural Networks (DNNs) and statistical methods to predict the Mr of soils. For that purpose, the Long-Term Pavement Performance (LTPP) database was implemented. It includes 64 701 datasets resulting from coarse-grained and fine-grained soil samples considering a wide range of grain size distribution and subjected to different stress levels. The input parameters were the bulk stress, octahedral shear stress, and the percentage of soil particles passing through the different sieves (3&quot;, 2&quot;, 3/2&quot;, 1&quot;, 3/4&quot;, 1/2&quot;, 3/8&quot;, No. 4, No. 10, No. 40, No. 80, and No. 200) and the output was the Mr. The results suggest that while conventional mathematical models are unable to predict the influence of the grain size distribution and stress level on the Mr, the proposed DNNs were able to reproduce very accurate predictions. Notably, the proposed computational models have been uploaded to a GitHub repository and have become a valuable tool for forecasting the Mr when experimental measurements are not feasible.

  • Název v anglickém jazyce

    Implementation of deep neural networks and statistical methods to predict the resilient modulus of soils

  • Popis výsledku anglicky

    The Resilient Modulus (Mr) is perhaps the most relevant and widely used parameter to characterise the soil behaviour under repetitive loading for pavement applications. Accordingly, it is a crucial parameter controlling the mechanistic-empirical pavement design. Nonetheless, determining the Mr by laboratory tests is not always possible due to the high consumption of time and financial resources. Thus, developing new indirect approaches for estimating the MR is necessary. Precisely, this article investigates the application of Deep Neural Networks (DNNs) and statistical methods to predict the Mr of soils. For that purpose, the Long-Term Pavement Performance (LTPP) database was implemented. It includes 64 701 datasets resulting from coarse-grained and fine-grained soil samples considering a wide range of grain size distribution and subjected to different stress levels. The input parameters were the bulk stress, octahedral shear stress, and the percentage of soil particles passing through the different sieves (3&quot;, 2&quot;, 3/2&quot;, 1&quot;, 3/4&quot;, 1/2&quot;, 3/8&quot;, No. 4, No. 10, No. 40, No. 80, and No. 200) and the output was the Mr. The results suggest that while conventional mathematical models are unable to predict the influence of the grain size distribution and stress level on the Mr, the proposed DNNs were able to reproduce very accurate predictions. Notably, the proposed computational models have been uploaded to a GitHub repository and have become a valuable tool for forecasting the Mr when experimental measurements are not feasible.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10505 - Geology

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GC21-35764J" target="_blank" >GC21-35764J: Experimentální a numerické studium sdruženého termo-hydro-mechanického chování jílu s důrazem na cyklické zatěžování</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    International Journal of Pavement Engineering

  • ISSN

    1029-8436

  • e-ISSN

    1477-268X

  • Svazek periodika

    24

  • Číslo periodika v rámci svazku

    1

  • Stát vydavatele periodika

    GB - Spojené království Velké Británie a Severního Irska

  • Počet stran výsledku

    19

  • Strana od-do

    2257852

  • Kód UT WoS článku

    001068220900001

  • EID výsledku v databázi Scopus

    2-s2.0-85171858404