A relação constitutiva entre o teor de umidade ou grau de saturação e a sucção é determinada curva de retenção de água no solo e apresenta papel crucial para os estudos em solos não saturados. A partir de um banco de dados hidrofisicos de solos tropicais brasileiros, redes neurais artificiais (RNAs) são propostas para estimativa indireta da curva de retenção limite de secagem para a faixa de sucção de 0 a 15000 cm. Os resultados evidenciam a influência da arquitetura e da adição de variáveis de entradas aos modelos investigados. Uma melhora nas estimativas é observada quando a densidade do solo e a densidade das partículas são adicionadas ao modelo inicial, com apenas dados da distribuição granulométrica. Embora a realização de ensaios seja indispensável, os resultados colocam as RNAs como ferramenta potencial para previsão da curva de retenção limite de secagem em um amplo intervalo de sucção, útil para estudos preliminares de obras de engenharia em solos não saturados. PALAVRAS-CHAVE: curva de retenção, redes neurais artificiais, solos não saturados, solos tropicais ABSTRACT: The constitutive relationship between water content or degree of saturation and suction is called soil-water retention curve and plays a crucial role in studies of unsaturated soils. Based on a hydrophysical database of tropical Brazilian soils, artificial neural networks are proposed to estimate the primary boundary drying soil-water retention curve for the suction range from 0 to 15000 cm. The results show the influence of both architecture and addition of input parameters to the investigated models. Better results are observed when bulk and particle density are added to the initial model, with only data from the particle size distribution. Although performing experimental tests are still essential, the results reveal the neural networks as a potential tool for predicting the drying soil-water retention curve over a wide suction interval and useful for preliminary studies of engineering projects related to unsaturated soils.
Determinado pela relação entre o índice de vazios (e) e o logaritmo da tensão efetiva do solo (σ'v) no trecho de compressão virgem da curva de compressibilidade, o índice de compressão (CC) é utilizado para calcular o recalque de argilas moles saturadas quando solicitadas por carregamentos externos. Este trabalho discute a capacidade de generalização de redes neurais artificiais (RNAs) na previsão de CC de solos argilosos do litoral brasileiro a partir de propriedades índices do solo, como a umidade natural, o índice de vazios inicial e o limite de liquidez. Os resultados são comparados com algumas correlações empíricas publicadas na literatura. Uma base de dados de 2.022 amostras de solos argilosos de diferentes países é utilizada. As análises indicam alta correlações das propriedades investigadas com Cc e indicam as RNAs como ferramenta potencial de aplicação em alternativa à correlações empíricas em estudos preliminares de geotecnia. Em geral, os resultados de RNAs são menos influenciados pela origem geológica do conjunto de calibração do modelo.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.