Machine learning algorithms for applications in geotechnical engineering
Pouyan Pirnia, François Duhaime, Javad Manashti
In the proceedings of: GeoEdmonton 2018: 71st Canadian Geotechnical Conference; 13th joint with IAH-CNCSession: Geoenvironmental Engineering II
ABSTRACT: Artificial neural networks (ANNs) applications are increasingly common in all fields of engineering. One of the main obstacles to the development of ANN applications in geotechnical engineering is the need for large datasets. This paper presents two application examples in which numerical methods were used to generate large datasets. The first example involves the determination of grain size distributions from soil pictures based on a dataset that includes 53130 synthetic soil images corresponding to different particle size distributions. The pictures were generated using YADE, a discrete element code. The second application example involves the use of the finite element method to generate a dataset. COMSOL MATLAB programming interface was used to generate a large number of finite element simulations to predict the water level in the reservoir of a hypothetical dam based on pore pressure measurements obtained using an array of 15 piezometers.
RÉSUMÉ: L'utilisation de réseaux de neurones artificiels (RNA) est de plus en plus commune dans tous les domaines du génie. Un données. Cet article présente deux exemples d'applications pour lesquels des méthodes numériques ont été utilisées pour produire les ensembles de données. Le premier exemple concerne la détermination de distributions granulométriques à 000 images synthétiques de sol qui correspondent à différentes distributions granulométriques. Les images ont été générées en utilisant YADE, un code d'éléments discrets. Le deuxième exemple d'application implique l'utilisation de la méthode des éléments finis pour générer un ensemble de données. L'interface de programmation MATLAB de COMSOL a été utilisée pour générer un grand nombre de simulations par éléments finis pour prédire le niveau d'eau dans le réservoir d'un barrage hypothétique en se basant sur des mesures de pression interstitielle obtenues en utilisant un réseau de 15 piézomètres.
Access this article:
Canadian Geotechnical Society members can access to this article, along with all other Canadian Geotechnical Conference proceedings, in the Member Area. Conference proceedings are also available in many libraries.
Cite this article:
Pouyan Pirnia; François Duhaime; Javad Manashti (2018) Machine learning algorithms for applications in geotechnical engineering in GEO2018. Ottawa, Ontario: Canadian Geotechnical Society.
@article{geo2018Paper339,author = Pouyan Pirnia; François Duhaime; Javad Manashti,title = Machine learning algorithms for applications in geotechnical engineering,year = 2018}