🤖 AI

Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye

Deze studie toont aan dat een Random Forest-model, getraind op 382 bodemmonsters uit Turkije, de California Bearing Ratio effectief en met hoge nauwkeurigheid voorspelt (R²=0,83), wat een snel en betrouwbaar machine learning-alternatief biedt voor traditionele, tijdrovende laboratoriumtests voor de geotechnische techniek.

Oorspronkelijke auteurs: Abdullah Hulusi Kökçam, Uğur Dağdeviren, Talas Fikret Kurnaz, Alparslan Serhat Demir, Caner Erden

Gepubliceerd 2026-09-07

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Abdullah Hulusi Kökçam, Uğur Dağdeviren, Talas Fikret Kurnaz, Alparslan Serhat Demir, Caner Erden

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Voordat een weg gebouwd kan worden, moeten ingenieurs weten of de grond eronder sterk genoeg is om het gewicht van het verkeer te dragen. Dit is geen gokwerk; het is een berekening gebaseerd op hoeveel druk de bodem kan weerstaan voordat deze bezwijkt. Al bijna een eeuw is de standaardmethode om deze sterkte te meten een test genaamd de California Bearing Ratio. In een laboratorium wordt een zuiger met een constante, langzame snelheid in een grondmonster gedrukt. De kracht die nodig is om de zuiger naar binnen te duwen, wordt vergeleken met de kracht die nodig is om deze in een standaardblok van verbrijzelde steen te duwen. Het resultaat is een enkel getal dat ingenieurs vertelt hoe goed die grond zal presteren als fundering voor snelwegen of landingsbanen van luchthavens. Ho hoewel deze methode betrouwbaar is, is ze ook traag, duur en vereist het het versturen van monsters naar een laboratorium, wat projecten kan vertragen en kosten kan verhogen. Naarmate de vraag naar snellere, efficiëntere constructie groeit, zijn onderzoekers gaan vragen of computers kunnen leren om dit getal te voorspellen door enkel te kijken naar andere, gemakkelijker te meten eigenschappen van de grond.

Een team van onderzoekers in Turkije zette zich in om deze vraag te beantwoorden door computers te leren verborgen patronen in bodemgegevens te herkennen. Ze verzamelden een grote hoeveelheid informatie uit 302 verschillende bodemmonsters afkomstig uit diverse regio's in het land. Voor elk monster kenden ze de uiteindelijke California Bearing Ratio al uit eerdere laboratoriumtests. Ze hadden ook een lijst met andere kenmerken voor elk monster, zoals hoeveel water de grond kon vasthouden, hoe fijn of grof de deeltjes waren, en hoeveel de grond zou krimpen of uitzetten. De onderzoekers behandelden deze informatie als een puzzel en voedden deze bekende kenmerken aan twaalf verschillende computerprogramma's die ontworpen zijn om wiskundige relaties te vinden. Deze programma's varieerden van eenvoudige beslissingsbomen tot complexe netwerken die de manier nabootsen waarop menselijke hersenen informatie verwerken. Het doel was om te zien of de computers de regels konden leren die de basiskenmerken van de grond verbinden met de uiteindelijke sterkteclassificatie, zonder tijdens hun training ooit de werkelijke sterkteproeven te hebben gezien.

De onderzoekers verdeelden hun gegevens in twee groepen. Ze gebruikten de meeste monsters om de computerprogramma's te onderwijzen, waarbij ze de programma's de kans gaven om voorspellingen te doen en hun eigen fouten te corrigeren. Ze bewaarden de resterende monsters om als een eindexamen te dienen, waarbij de programma's werden getest op grond die ze nog nooit eerder hadden gezien. Om ervoor te zorgen dat de resultaten eerlijk waren en niet slechts een gelukkige gok, voerden ze de tests meerdere keren uit en pasten ze de instellingen van elk computerprogramma aan om de best mogelijke prestaties te vinden. Na het uitvoeren van deze grondige vergelijking bleef één type programma eruit springen als de meest nauwkeurige. Het was een ensemble-methode genaamd Random Forest, die werkt door de meningen van vele kleinere beslissingsmodellen te combineren om tot één betrouwbare conclusie te komen. Dit model bleek het meest bekwame in de taak en voorspelde de sterkte van de grond in het eindexamen met een hoge mate van nauwkeurigheid.

De resultaten lieten zien dat het Random Forest-model de bodemsterkte met opmerkelijke precisie kon voorspellen, waarbij het de werkelijke laboratoriumresultaten veel beter benaderde dan de andere elf geteste programma's. Wanneer de onderzoekers keken naar het verschil tussen wat de computer voorspelde en wat het laboratorium daadwerkelijk mat, waren de fouten klein en evenwichtig, wat betekent dat het model niet consequent te hoog of te laag schatte. Hoewel een aantal extreme gevallen moeilijker te voorspellen waren, was de algehele prestatie sterk genoeg om aan te tonen dat deze aanpak levensvatbaar is. De studie beweerde niet dat deze methode de noodzaak voor fysiek testen volledig vervangt, maar het demonstreerde dat een computer een zeer nauwe schatting kan geven met gegevens die vaak al beschikbaar zijn. Deze bevinding biedt een praktisch pad voorwaarts voor ingenieurs, waarbij wordt gesuggereerd dat zij deze digitale hulpmiddelen kunnen gebruiken om bodemcondities snel te screenen en snellere, beter geïnformeerde beslissingen te nemen tijdens de vroege stadia van het ontwerpen van wegen en funderingen.

Technische Samenvatting: Voorspellen van de California Bearing Ratio met Ensemble- en Neurale Netwerkmodellen

Probleemstelling
De California Bearing Ratio (CBR) is een fundamentele geotechnische indicator die wordt gebruikt om de draagkracht van subgrade-bodems te beoordelen voor transportinfrastructuur en funderingsontwerp. Traditioneel worden CBR-waarden bepaald via laboratoriumpenetratietesten (nat of droog) waarbij specifieke piston-insnelheden en penetratiediepten (2,5 mm en 5 mm) worden gehanteerd. Hoewel accuraat, worden deze conventionele methoden gekenmerkt als tijdrovend, arbeidsintensief en kostbaar, vooral bij grootschalige projecten of diverse bodemprofielen. Daarom is er behoefte aan indirecte, snelle en betrouwbare schattingsmethoden die gebruikmaken van direct beschikbare bodemindexeigenschappen.

Methodologie
Deze studie stelt een datagestuurd framework voor om CBR-waarden te voorspellen met behulp van machine learning (ML) algoritmen. Het onderzoek maakte gebruik van een uitgebreide dataset bestaande uit 382 bodemmonsters verzameld uit verschillende geoklimatische regio's in Turkije, afkomstig uit de laboratoriumarchieven van de Algemene Directoraat van Turkse Snelwegen.

Inputkenmerken: De modelinputs bevatten zeven bodem eigenschappen: Grindgehalte (GC), Zandgehalte (SC), Fijnstofgehalte (FC), Vloeigrens (LL), Plasticiteitsindex (PI), Maximale Droge Dichtheid (MDD) en Optimale Vochtgehalte (OMC).
Data-verdeling: De dataset werd willekeurig gesplitst in een trainingsset (80%, n=305) en een testset (20%, n=77).
Algoritmekeuze: Twaalf verschillende regressiegebaseerde modellen werden geïmplementeerd en vergeleken:
- Ensemble-methoden: Random Forest, Bagging, Extra Trees, Voting, Stacking, Gradient Boosting, AdaBoost en XGBoost.
- Boom-gebaseerd: Decision Tree.
- Kernel-gebaseerd: Support Vector Regression (SVR).
- Instance-gebaseerd: K-Nearest Neighbors (K-NN).
- Neurale Netwerken: Multi-Layer Perceptron (MLP).
Optimalisatie en Validatie: Om robuustheid te garanderen en overfitting te voorkomen, werd hyperparameter-tuning uitgevoerd met Grid Search met 5-voudige cross-validatie. Elk model werd vijf keer getraind en geëvalueerd met verschillende random states om variabiliteit te verklaren, waarbij gemiddelde prestatie-indicatoren werden gerapporteerd.

Belangrijkste Resultaten
De prestaties van de modellen werden geëvalueerd met behulp van de determinatiecoëfficiënt ( $R^2$ ), de Mean Absolute Error (MAE) en de Root Mean Square Error (RMSE).

Beste Presteerder: De Random Forest Regressor bleek het meest effectieve model. Het behaalde een $R^2$ -score van 0,832 op de testset, met een MAE van 6,263 en een RMSE van 11,823.
Vergelijkende Prestaties: Hoewel andere ensemble-modellen zoals Bagging, Extra Trees en Voting Regressors sterke prestaties lieten zien, lagen hun resultaten op de uiteindelijke testset iets lager dan die van Random Forest. Opvallend genoeg vertoonde de Voting Regressor een hoge trainings- $R^2$ (0,994) maar een lagere validatie- $R^2$ (0,683), wat wijst op potentiële overfitting in vergelijking met de stabielere Random Forest.
Modelgedrag: Visuele analyse van de Random Forest-voorspellingen (Werkelijk vs. Voorspeld) toonde aan dat de meeste datapunten dicht bij de ideale diagonale lijn lagen. De foutverdeling was bijna normaal en gecentreerd rond nul, wat duidt op ongebiaste voorspellingen, hoewel een lichte neiging tot overschatting werd waargenomen in specifieke gevallen.
Presteerders met Lagere Resultaten: Modellen zoals Stacking, MLP en Decision Tree leverden lagere testset- $R^2$ -scores op (respectievelijk 0,519, 0,748 en 0,683), wat suggereert dat zij minder effectief waren in het vastleggen van de niet-lineaire relaties in deze specifieke dataset vergeleken met de geteste ensemble boom-gebaseerde methoden.

Belangrijkste Bijdragen

Uitgebreide Vergelijkende Analyse: De studie biedt een systematische evaluatie van twaalf diverse ML-algoritmen, variërend van eenvoudige beslisbomen tot complexe stacking-ensembles en neurale netwerken, specifiek toegepast op CBR-voorspelling binnen de context van Turkse geoklimatische omstandigheden.
Robuust Validatieframework: Door gebruik te maken van 5-voudige cross-validatie, meerdere random state iteraties en een strikte train/test-splitsing, vestigt de studie een rigoureus protocol voor het beoordelen van de generaliseerbaarheid van modellen in geotechnische toepassingen.
Identificatie van Optimale Architectuur: Het onderzoek identificeert Random Forest als de superieure architectuur voor dit specifieke probleem, waarbij de nadruk ligt op het vermogen om complexe, niet-lineaire relaties tussen bodemindexeigenschappen en draagkracht effectiever in kaart te brengen dan de andere geteste methoden.

Betekenis en Claims
Het artikel beweert dat de integratie van machine learning in de geotechnische techniek een levensvatbaar alternatief biedt voor traditionele laboratoriumtesten. De primaire betekenis ligt in het potentieel om de testtijd en kosten te verlagen terwijl de voorspellende nauwkeurigheid behouden blijft. De studie ondersteunt de adoptie van datacentrische modellen voor indirecte CBR-schatting, wat bijdraagt aan de verschuiving naar digitale transformatie in infrastructuuranalyse en -ontwerp. De auteurs concluderen dat ensemble-gebaseerde leermethoden, in het bijzonder Random Forest, robuuste instrumenten zijn voor voorspellende geotechnische taken, in staat om de complexiteit van bodemgedrag aan te pakken zonder de logistieke lasten van fysieke penetratietesten.

Meer zoals dit