Analýza spol´ahlivosti vyhodnotenia skúšky bender elements pomocou algoritmov strojového učenia

Reliability analysis of bender elements test evaluation through machine learning algorithms

conference paper

Slovak

Skúška Bender Elementss je celosvetovo čoraz viac využívaná na určenie rýchlosti šírenia šmykových vĺn vs a z toho odvodenej šmykovej tuhosti pri veľmi malých pretvoreniach Gmax. Napriek jednoduchosti tejto skúšky, nie určená metóda jej vyhodnotenia, ktorá je často krát najväčším problémom tejto skúšky. Tento príspevok sa venuje analýze dvoch metód vyhodnotenia, Peak-to-Peak a Cross-Correlation, použitých pri skúšaní 15 pieskov s plastickou jemnozrnnou prímesou. Na analýzu 1193 určených hodnôt vs boli použité metódy strojového učenia, klasifikačné algoritmy – Random Forest (RF) a Support Vector Machine (SVM) s Gaussovským Radial Basis kernelom. Pri skúšaní bol použitý sínusový signal s frekvenciami 2 – 41 kHz.. Na základe analýzy pomocou RF a SVR boli stanovené frekvenčné rozhrania v ktorých je najväčšia pravdebodobnosť korektného vyhodnotenia skúšky pri rozptyloch 2,5; 5 a 10 % od korektnej hodnoty vs. Takto bola dosiahnutá zvýšená pravdepodobnosť určenia hodnoty vs pri 2,5 % rozptyle od korektnej hodnoty, pre metódu Peak-to-Peak na max. 98 % a pre metódu Cross-Correlation na max. 71 %. V závere sú následne stanovené odporúčania a limity pre dosiahnutie korektného vyhodnotenia vs skúškou Bender Elements.

Bender Elements test is worldwide used for determination of shear wave velocity vs and very small strain shear modulus Gmax derived from vs. Evaluation of Bender Elements test is still intensively discussed, despite the simplicity of the test. The crucial topic is the evaluation part of the test. This article analyzes two methods of test evaluation, Peak-to-Peak and Cross-Correlation, employed in testing of 15 sands with plastic fines. Classification machine learning algorithms Random Forest (RF) and Support Vector Machine (SVM) with Gaussian Radial Basis kernel, were used for the analyzes of 1193 estimated values of vs, obtained by testing with single sine wave and frequencies from 2 to 41 kHz. Frequency ranges with highest probabilities of errors to be within 2,5; 5; 10 % error regions from correct vs were set according to the analyzes with machine learning algorithms. Accuracy of estimation of correct value of vs, within 2,5 % deviation tolerance from correct vs, was with these restrictions increased to max. 98 % for Peak-to-Peak and to max. 68 % for Cross-Correlation evaluation. Recommendations and limitations for correct estimation of vs by Bender Elements are posted in conclusions

bender elements, strojové učenie, umelá inteligencia, náhodný les

bender elements, machine learning, artificial intelligence, random forrest

Panuška. J., J. Štefaňák, R. P. Ray, Z. Szylvágyi

27. 5. 2019

Slovenská technická univerzita v Bratislave vo Vydavatel´stve SPEKTRUM STU

Bratislava, Slovenská republika

978-80-227-4912-1

Zborník príspevkov 14. Slovenskej geotechnickej konferencie: Vplyv stavebných konštrukcií na přirodné prostredie

201

212

12