Оценка набухающих свойств глин на территории г. Караганда с применением методов машинного обучения; Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов; Т. 333, № 2
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов/ Национальный исследовательский Томский политехнический университет (ТПУ).— , 2015-.— 2413-1830 Т. 333, № 2.— 2022.— [С. 204-210] |
|---|---|
| Körperschaften: | , |
| Weitere Verfasser: | , , , |
| Zusammenfassung: | Заглавие с титульного листа Актуальность исследования обусловлена необходимостью выявления зависимости набухания глин от их физических характеристик с целью сокращения временных и денежных ресурсов при проведении инженерно-геологических изысканий. Активное развитие строительной отрасли приводит к тому, что осваиваются территории, сложенные грунтами, которые в результате увлажнения увеличиваются в объеме - набухают. Целью исследования является установление зависимости относительного набухания глинистых пород от их физических характеристик, на определение которых затрачиваются минимальные ресурсы, с применением методов машинного обучения. Объекты: четвертичные и неогеновые глины г. Караганда, которые слагают геологический разрез территорий, используемых для строительства зданий и сооружений. Методы: создание базы данных лабораторных (физические и компрессионные характеристики, гранулометрический состав) и полевых (описание грунтов - цвет, наличие включений, определение уровня подземных вод, интервалы отбора проб) исследований глин в excel; применение высокоуровневого языка программирования «Python» для создания математических моделей посредством дистрибутива «Anaconda»; применение теоремы Парето с целью разделения данных для обучения и валидации, полученной модели; использование показателя «Mean Squared Error» для оценки адекватности построенных моделей. Результаты. Построены три прогностические модели относительного набухания глин. Входными данными являлись лабораторные и геологические параметры 103 образцов глин, отобранных в результате инженерно-геологических изысканий в г. Караганда. Применялись следующие алгоритмы машинного обучения: Random forest, Multilinear regression, Support vector machines. По оценки критерия «Mean Squared Error» для построения модели относительного набухания была выбрана модель Random Forest. The relevance of the study is caused by the need to identify the dependence of the clays swelling on their physical characteristics in order to reduce time and money resources during geotechnical surveys. The active development of the construction industry leads to the development of territories composed of soils, which, as a result of moisture, increase in volume - swell. The main aim of the study is to establish the relationship between the relative swelling of clay rocks and their physical characteristics, the determination of which requires minimal resources using machine learning methods. Objects: Quaternary and Neogene clays of Karaganda, which compose the geological section of the territories used for the construction of buildings and structures. Methods: creation of laboratory database (physical and compression characteristics, particle size distribution) and field (description of soils: color, presence of inclusions, determination of groundwater level, sampling intervals) studies of clays in excel; application of the highlevel programming language «Python» to develop mathematical models using the «Anaconda» distribution kit; the Pareto theorem application for training and validation of the resulting model; use of the «Mean Squared Error» indicator to assess the adequacy of the developed models. Results. Three predictive models of the relative clay swelling were developed. The laboratory and geological parameters of 103 clay samples taken as a result of geotechnical surveys in Karaganda, Kazakhstan, were the input data. The following machine learning algorithms were used: Random Forest, Multilinear regression, Support vector machines. According to the «Mean Squared Error» criterion, the Random Forest model was chosen to develop a relative swelling model. |
| Sprache: | Russisch |
| Veröffentlicht: |
2022
|
| Schlagworte: | |
| Online-Zugang: | http://earchive.tpu.ru/bitstream/11683/69972/1/bulletin_tpu-2022-v333-i2-20.pdf https://doi.org/10.18799/24131830/2022/2/3358 |
| Format: | Elektronisch Buchkapitel |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=347174 |
MARC
| LEADER | 00000nla2a2200000 4500 | ||
|---|---|---|---|
| 001 | 347174 | ||
| 005 | 20231102005953.0 | ||
| 035 | |a (RuTPU)RU\TPU\book\379059 | ||
| 035 | |a RU\TPU\book\379055 | ||
| 090 | |a 347174 | ||
| 100 | |a 20220303d2022 k y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i | |
| 182 | 0 | |a b | |
| 200 | 1 | |a Оценка набухающих свойств глин на территории г. Караганда с применением методов машинного обучения |f Д. И. Вдовкина, А. Е. Кошляков, М. В. Пономарева, Е. В. Пономарева | |
| 203 | |a Текст |c электронный | ||
| 215 | |a 1 файл (563 Kb) | ||
| 230 | |a Электронные текстовые данные (1 файл : 563 Kb) | ||
| 300 | |a Заглавие с титульного листа | ||
| 320 | |a [Библиогр.: с. 207-208 (30 назв.)] | ||
| 330 | |a Актуальность исследования обусловлена необходимостью выявления зависимости набухания глин от их физических характеристик с целью сокращения временных и денежных ресурсов при проведении инженерно-геологических изысканий. Активное развитие строительной отрасли приводит к тому, что осваиваются территории, сложенные грунтами, которые в результате увлажнения увеличиваются в объеме - набухают. Целью исследования является установление зависимости относительного набухания глинистых пород от их физических характеристик, на определение которых затрачиваются минимальные ресурсы, с применением методов машинного обучения. Объекты: четвертичные и неогеновые глины г. Караганда, которые слагают геологический разрез территорий, используемых для строительства зданий и сооружений. | ||
| 330 | |a Методы: создание базы данных лабораторных (физические и компрессионные характеристики, гранулометрический состав) и полевых (описание грунтов - цвет, наличие включений, определение уровня подземных вод, интервалы отбора проб) исследований глин в excel; применение высокоуровневого языка программирования «Python» для создания математических моделей посредством дистрибутива «Anaconda»; применение теоремы Парето с целью разделения данных для обучения и валидации, полученной модели; использование показателя «Mean Squared Error» для оценки адекватности построенных моделей. Результаты. Построены три прогностические модели относительного набухания глин. Входными данными являлись лабораторные и геологические параметры 103 образцов глин, отобранных в результате инженерно-геологических изысканий в г. Караганда. Применялись следующие алгоритмы машинного обучения: Random forest, Multilinear regression, Support vector machines. По оценки критерия «Mean Squared Error» для построения модели относительного набухания была выбрана модель Random Forest. | ||
| 330 | |a The relevance of the study is caused by the need to identify the dependence of the clays swelling on their physical characteristics in order to reduce time and money resources during geotechnical surveys. The active development of the construction industry leads to the development of territories composed of soils, which, as a result of moisture, increase in volume - swell. The main aim of the study is to establish the relationship between the relative swelling of clay rocks and their physical characteristics, the determination of which requires minimal resources using machine learning methods. Objects: Quaternary and Neogene clays of Karaganda, which compose the geological section of the territories used for the construction of buildings and structures. Methods: creation of laboratory database (physical and compression characteristics, particle size distribution) and field (description of soils: color, presence of inclusions, determination of groundwater level, sampling intervals) studies of clays in excel; application of the highlevel programming language «Python» to develop mathematical models using the «Anaconda» distribution kit; the Pareto theorem application for training and validation of the resulting model; use of the «Mean Squared Error» indicator to assess the adequacy of the developed models. Results. Three predictive models of the relative clay swelling were developed. The laboratory and geological parameters of 103 clay samples taken as a result of geotechnical surveys in Karaganda, Kazakhstan, were the input data. The following machine learning algorithms were used: Random Forest, Multilinear regression, Support vector machines. According to the «Mean Squared Error» criterion, the Random Forest model was chosen to develop a relative swelling model. | ||
| 453 | |t Estimation of clay swelling properties in Karaganda territory using machine learning methods |o translation from Russian |f D. I. Vdovkina [et al.] |c Tomsk |n TPU Press |d 2015- |d 2022 | ||
| 453 | |t Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering | ||
| 453 | |t Vol. 333, № 2 | ||
| 461 | 1 | |0 (RuTPU)RU\TPU\book\312844 |x 2413-1830 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |f Национальный исследовательский Томский политехнический университет (ТПУ) |d 2015- | |
| 463 | 1 | |0 (RuTPU)RU\TPU\book\379027 |t Т. 333, № 2 |v [С. 204-210] |d 2022 | |
| 610 | 1 | |a набухание | |
| 610 | 1 | |a глины | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a глинистые породы | |
| 610 | 1 | |a четвертичные отложения | |
| 610 | 1 | |a неогеновые отложения | |
| 610 | 1 | |a инженерно-геологические изыскания | |
| 610 | 1 | |a относительное набухание | |
| 610 | 1 | |a электронный ресурс | |
| 610 | |a clay rocks | ||
| 610 | |a clays | ||
| 610 | |a swelling | ||
| 610 | |a Random Forest model | ||
| 610 | |a Quaternary deposits | ||
| 610 | |a Neogene deposits | ||
| 701 | 1 | |a Вдовкина |b Д. И. |g Дарья Игоревна |6 z01712 | |
| 701 | 1 | |a Кошляков |b А. Е. |g Алексей Евгеньевич |6 z02712 | |
| 701 | 1 | |a Пономарева |b М. В. |g Марина Викторовна |6 z03712 | |
| 701 | 1 | |a Пономарева |b Е. В. |g Екатерина Вадимовна |6 z04712 | |
| 712 | 0 | 2 | |a Карагандинский государственный технический университет |c (1996- ) |2 stltpush |3 (RuTPU)RU\TPU\col\16 |6 z01701 |9 23129 |
| 712 | 0 | 2 | |a Киевский национальный университет им. Т. Шевченко |6 z02701 |
| 712 | 0 | 2 | |a Карагандинский государственный технический университет |c (1996- ) |2 stltpush |3 (RuTPU)RU\TPU\col\16 |6 z03701 |9 23129 |
| 712 | 0 | 2 | |a Карагандинский государственный технический университет |c (1996- ) |2 stltpush |3 (RuTPU)RU\TPU\col\16 |6 z04701 |9 23129 |
| 801 | 2 | |a RU |b 63413507 |c 20220309 |g RCR | |
| 856 | 4 | |u http://earchive.tpu.ru/bitstream/11683/69972/1/bulletin_tpu-2022-v333-i2-20.pdf | |
| 856 | 4 | |u https://doi.org/10.18799/24131830/2022/2/3358 | |
| 942 | |c CF | ||