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

• arxiv url: http://arxiv.org/abs/2512.08340v2
• Date: Sat, 13 Dec 2025 18:20:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 15:10:29.140851
• Title: Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye
• Title（参考訳）: アンサンブルとニューラルネットモデルによるカリフォルニアのベアリング比予測 : トゥルカイの事例研究
• Authors: Abdullah Hulusi Kökçam, Uğur Dağdeviren, Talas Fikret Kurnaz, Alparslan Serhat Demir, Caner Erden,
• Abstract要約: カリフォルニアベアリング比(カリフォルニアベアリング比、California Bearing Ratio、CBR)は、低等級土壌の載荷能力を評価するための重要な測地指標である。 伝統的なテストは、しばしば時間がかかり、コストがかかり、特に大規模または多様な土壌プロファイルにとって、実用的ではない。 人工知能、特に機械学習(ML)の最近の進歩は、より高速で精度の高い複雑な土壌の挙動をモデル化するためのデータ駆動アプローチを可能にした。 本研究では,トリキエの様々な気候地域から採取された382の土壌サンプルのデータセットを用いて,CBR予測のための総合的なMLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The California Bearing Ratio (CBR) is a key geotechnical indicator used to assess the load-bearing capacity of subgrade soils, especially in transportation infrastructure and foundation design. Traditional CBR determination relies on laboratory penetration tests. Despite their accuracy, these tests are often time-consuming, costly, and can be impractical, particularly for large-scale or diverse soil profiles. Recent progress in artificial intelligence, especially machine learning (ML), has enabled data-driven approaches for modeling complex soil behavior with greater speed and precision. This study introduces a comprehensive ML framework for CBR prediction using a dataset of 382 soil samples collected from various geoclimatic regions in Türkiye. The dataset includes physicochemical soil properties relevant to bearing capacity, allowing multidimensional feature representation in a supervised learning context. Twelve ML algorithms were tested, including decision tree, random forest, extra trees, gradient boosting, xgboost, k-nearest neighbors, support vector regression, multi-layer perceptron, adaboost, bagging, voting, and stacking regressors. Each model was trained, validated, and evaluated to assess its generalization and robustness. Among them, the random forest regressor performed the best, achieving strong R2 scores of 0.95 (training), 0.76 (validation), and 0.83 (test). These outcomes highlight the model's powerful nonlinear mapping ability, making it a promising tool for predictive geotechnical tasks. The study supports the integration of intelligent, data-centric models in geotechnical engineering, offering an effective alternative to traditional methods and promoting digital transformation in infrastructure analysis and design.
• Abstract（参考訳）: カリフォルニアベアリング比(カリフォルニアベアリング比、California Bearing Ratio、CBR)は、特に交通インフラや基礎設計において、下級土壌の荷重吸収能力を評価するために使われる重要な測地指標である。 従来のCBRの決定は、実験室の浸透試験に依存している。 その正確さにもかかわらず、これらのテストは時間を要することが多く、コストがかかり、特に大規模または多様な土壌プロファイルでは実用的ではない。 人工知能、特に機械学習(ML)の最近の進歩は、より高速で精度の高い複雑な土壌の挙動をモデル化するためのデータ駆動アプローチを可能にした。 本研究では,テュルキーの様々な気候地域から採取された382の土壌サンプルのデータセットを用いて,CBR予測のための総合的なMLフレームワークを提案する。 本データセットは、受動能力に関連する物理化学的土壌特性を含み、教師付き学習コンテキストにおける多次元特徴表現を可能にする。 決定木、ランダムフォレスト、余分な木、勾配押し上げ、xgboost、k-nearest隣人、サポートベクター回帰、多層パーセプトロン、adaboost、バッグング、投票、スタックング回帰器を含む12のMLアルゴリズムがテストされた。 各モデルは、その一般化と堅牢性を評価するために訓練され、検証され、評価された。 このうち、無作為な森林回帰士は、強いR2スコアが0.95(トレーニング)、0.76(バリデーション)、0.83(テスト)を達成した。 これらの結果は、モデルの強力な非線形マッピング能力を強調し、予測的ジオテクニカルタスクのための有望なツールとなる。 この研究は、地球工学におけるインテリジェントでデータ中心のモデルの統合をサポートし、従来の手法に代わる効果的な代替手段を提供し、インフラ分析と設計におけるデジタルトランスフォーメーションを促進する。

関連論文リスト

• China Regional 3km Downscaling Based on Residual Corrective Diffusion Model [39.12803910865843]
  この研究は、低解像度と高解像度の歴史的データの統計的関係を確立する統計的ダウンスケーリングに焦点を当てている。 CorrDiffのオリジナルの作品とは対照的に、この作品で考慮された地域は40倍近く大きい。 ディープラーニングはこのタスクの強力なツールとして登場し、様々な高性能超解像モデルを生み出している。
  論文  参考訳（メタデータ） (2025-12-05T02:27:08Z)
• An Efficient Machine Learning Framework for Forest Height Estimation from Multi-Polarimetric Multi-Baseline SAR data [2.395410408500006]
  本稿では,LiDARプロファイルを用いた多チャンネルSAR処理をGT(GT)として用いた森林高度推定フレームワークFGumpを紹介する。 精度と計算効率のバランスを保ち、手動設計の特徴の限られたセットを使い、重い前処理を避ける(例えば、キャリブレーションや量子化)。 実験の結果,FGumpはAIベースおよび古典的手法よりも優れており,精度が向上し,トレーニングや推論時間も著しく低下していることがわかった。
  論文  参考訳（メタデータ） (2025-07-28T13:07:23Z)
• Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
  我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。 モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。 多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
  論文  参考訳（メタデータ） (2025-05-26T16:05:10Z)
• Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data [1.546169961420396]
  AgroLensプロジェクトは、研究室のテストに頼らずに土壌の栄養レベルを予測する機械学習ベースの方法論の開発に取り組んでいる。 このアプローチは、LUCAS土壌データセットとSentinel-2衛星画像を用いた堅牢なヨーロッパモデルの開発から始まる。 Random Forests、Extreme Gradient Boosting (XGBoost)、Fully Connected Neural Networks (FCNN)といった高度なアルゴリズムが実装され、正確な栄養予測のために微調整された。
  論文  参考訳（メタデータ） (2025-03-28T09:44:32Z)
• Developing an Explainable Artificial Intelligent (XAI) Model for Predicting Pile Driving Vibrations in Bangkok's Subsoil [0.0]
  本研究では,バンコク軟質土質土中における杭の振動を予測するための説明可能な人工知能(XAI)モデルを提案する。 深層ニューラルネットワークは1018個の実世界の杭駆動のデータセットを用いて開発された。 このモデルは0.276の平均絶対誤差(MAE)を達成し、従来の経験的手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-08T10:13:35Z)
• GeoBench: Benchmarking and Analyzing Monocular Geometry Estimation Models [41.76935689355034]
  識別的および生成的事前学習により、強力な一般化能力を持つ幾何推定モデルが得られた。 幾何推定モデルの評価と解析のための,公平で強力なベースラインを構築した。 多様なシーンと高品質なアノテーションを用いた幾何推定タスクにおいて,より困難なベンチマークを用いて,単色幾何推定器の評価を行った。
  論文  参考訳（メタデータ） (2024-06-18T14:44:12Z)
• Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
  本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。 我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
  論文  参考訳（メタデータ） (2023-10-28T10:19:55Z)
• SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
  本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
  論文  参考訳（メタデータ） (2023-08-07T13:44:44Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。