Phenomenological Evaluation of Soil-Water Retention Behavior via Deep Learning

ABSTRACT: Phenomenological laws such as the soil-water retention curve play an essential role in describing the behavior of unsaturated soil and associated water flow. However, experimental investigation for capturing such behaviors often requires significant time and effort with high cost because of difficulties in the experimental setup and the discrepancy between the laboratory and field conditions. In addition, investigating and estimating the soil-retention curves considering various soil types are almost impossible. In the present study, two statistical technics associated mainly with deep learning are utilized to estimate soil-water retention curves based on the basic characteristics of soils such as porosity, permeability, density. As a starting point, the universal unsaturated soil database from the U.S. Department of Agriculture is leveraged to collect raw data from different regions. Feeding features to the training system results in more accurate predictions. Several examples are presented to depict the capability of selected features in prediction. Such features reveal phenomenological dependency between the selected feature and retention capability of liquid inside the soil matrix.

RÉSUMÉ: Les lois phénoménologiques telles que la courbe de rétention sol-eau jouent un rôle essentiel dans la description du comportement des sols non saturés et de l'écoulement de l'eau associé. Cependant, la recherche expérimentale pour capturer de tels comportements nécessite souvent beaucoup de temps et d'efforts avec un coût élevé en raison des difficultés dans la configuration expérimentale et de l'écart entre les conditions de laboratoire et de terrain. De plus, il est presque impossible d'étudier et d'estimer les courbes de rétention du sol en tenant compte de divers types de sol. Dans la présente étude, deux techniques statistiques associées principalement à l'apprentissage en profondeur sont utilisées pour estimer les courbes de rétention sol-eau en fonction des caractéristiques de base des sols telles que la porosité, la perméabilité, la densité. Comme point de départ, la base de données universelle sur les sols non saturés du département américain de l'Agriculture est exploitée pour collecter des données brutes provenant de différentes régions. L'ajout de fonctionnalités au système d'entraînement permet d'obtenir des prédictions plus précises. Plusieurs exemples sont présentés pour illustrer la capacité de caractéristiques sélectionnées dans la prédiction. De telles caractéristiques révèlent une dépendance phénoménologique entre la caractéristique sélectionnée et la capacité de rétention du liquide à l'intérieur de la matrice du sol.