Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye
本研究表明，通过对来自土耳其的382份土壤样本进行训练，随机森林模型能够以高精度（R²=0.83）有效预测加州承载比，为岩土工程领域提供了一种快速且可靠的机器学习替代方案，以取代传统的、耗时的实验室测试。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在道路修建之前，工程师必须了解其下方的地面是否足够坚固，以承受交通载荷。这并非一种猜测，而是基于土壤在发生破坏前能承受多少压力的计算。近一个世纪以来，衡量这种强度的标准方法是一种被称为“加州承载比”（California Bearing Ratio）的测试。在实验室中，一个活塞以稳定且缓慢的速度压入土壤样本。将压入活塞所需的力与压入标准碎石块所需的力进行比较。得出的结果是一个单一的数字，它告诉工程师该土壤作为公路或机场跑道地基的表现如何。虽然这种方法很可靠，但它也既缓慢又昂贵，且需要将样本送往实验室，这可能会延误工程进度并增加成本。随着对更快、更高效建设需求的增长，研究人员开始询问，计算机是否可以通过观察其他更容易测量的土壤特性来学习预测这个数字。
土耳其的一个研究小组致力于通过教计算机识别土壤数据中的隐藏模式来回答这个问题。他们收集了来自全国不同地区 382 个不同土壤样本的大量信息。对于每个样本，他们已经掌握了过去实验室测试得出的最终加州承载比。他们还拥有每个样本的其他特征列表，例如土壤的持水能力、颗粒的粗细程度以及土壤的胀缩性。研究人员将这些信息视为一个谜题，将这些已知的特征输入到十二个不同的计算机程序中，旨在寻找数学关系。这些程序从简单的决策树到模拟人类大脑处理信息方式的复杂网络不等。目标是观察计算机是否能够学习连接土壤基本特征与其最终强度评级之间的规则，而无需在训练期间看到实际的强度测试结果。
研究人员将数据分为两组。他们利用大部分样本来教计算机程序，让它们练习进行预测并纠正自身的错误。他们保留了剩余的样本作为期末考试，测试程序对从未见过的土壤的预测能力。为了确保结果公平而非仅仅是运气好，他们多次运行测试，并调整每个计算机程序的设置以找到最佳性能。在进行这种严格的比较之后，一种程序脱颖而出，成为了最准确的一种。它是一种被称为“随机森林”（Random Forest）的集成方法，通过结合许多小型决策模型的意见来达成一个单一且可靠的结论。事实证明，这种模型在执行任务方面最为出色，在期末考试中以极高的准确度正确预测了土壤的强度。
结果显示，随机森林模型可以以卓越的精度预测土壤强度，其表现远优于测试的其他十一个程序。当研究人员观察计算机预测值与实验室实际测量值之间的差异时，误差很小且分布均衡，这意味着模型并不会一致地高估或低估。虽然少数极端情况较难预测，但整体表现足以表明这种方法是可行的。这项研究并未声称这种方法可以完全取代物理测试，但它证明了计算机可以使用通常已经掌握的数据提供一个非常接近的估计值。这一发现为工程师提供了一条实用的路径，表明他们可以使用这些数字工具在设计道路和地基的早期阶段快速筛选土壤状况，并做出更快、更明智的决策。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。