Técnicas de aprendizaje automático para caracterización y perfilado del terreno. Aplicación práctica al CPTU
DOI:
https://doi.org/10.14195/2184-8394_152_19Palavras-chave:
Aprendizaje automático, Caracterización del terreno, CPTUResumo
Este artículo introduce algunos conceptos e ideas básicas del campo del aprendizaje automático, con los que afrontar la caracterización geotécnica y perfilado del terreno a partir de ensayos de penetración tipo CPTU. Se muestran los resultados prácticos obtenidos para una campaña para un puerto español. En última instancia se pretende mostrar al diseñador algunos algoritmos que permitan ayudar a la elaboración, en los casos que sea posible, de modelos de terreno objetivamente evaluables, repetibles y precisos.
Downloads
Referências
Abe, S. (2010). Support Vector Machines for Pattern Classification. 2a Edicion. Springer.
Cetin, K.; Seed, R.; Kayen, R.; Moss, R.; Bilge, T.; Ilgaç, M.; Chowdhury, K. (2018). Dataset on SPT-based seismic soil liquefaction. Data in Brief. 20. 10.1016/j.dib.2018.08.043.
Duda, R. O.; Hart, P. E.; Stork, D. G. (2000). Pattern Classification, 2a edición, John Wiley & Sons Inc EN 1997-2 (2007): Eurocode 7: Geotechnical design - Part 2: Ground investigation and testing. CEN, Brussels, Belgium.
Hartigan, J.A.; Wong, M. (1979). A k-means clustering algorithm. Applied Statistics 28, 100-108.
Hastie, T.; Tibshirani, R.; Friedman, J. (2008). The elements of statistical learning: Data mining, inference and prediction. 2a edición. Springer.
Hegazy, Y.A.; Mayne, P.W. (2002). Objective site characterization using clustering of piezocone data, Journal of Geotechnical and Geoenvironmental Engineering, 128(12): 986-996.
Khun, M.; Johnson, K. (2016). Applied predictive modelling. 5a Edición. Springer.
Kolmogorov, A. N. (1957). On the representation of continuous functions of many variables by superposition of continuous functions of one variable and addition. Dokl. Akad. Nauk SSSR, 114:5 (1957), 953-956.
Krizhevsky, A.; Sutskever, I.; Hinton E.H. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Neural Information Processing Systems. 25. 10.1145/3065386
Lloyd, S.P. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory 28, 129-137.
López Mántaras, R. (2020). El traje nuevo de la inteligencia artificial. Investigación y Ciencia, 526, pp 52-59.
MacQueen, J.B. (1967). Some methods for classification and analysis of multivariate observations. In: Le cam, L.M., Neyman, J. (Eds.), Proceedings of 5th Symposium on Mathematical Statistics and Probability, vol. 1. University of California Press, Berkeley, pp. 281-297.
Mlynarek, Z.; Wierzbicki, J.; Wolynski, W. (2005). Use of cluster method for in situ tests. Studia Geotechnica et Mechanica, XXVII(3-4): 15-27.
Murphy, K. P. (2012). Machine Learning: A probabilistic perspective. Massachusetts Institute of Technology.
Nadim, F. (2007). Tools and Strategies for Dealing with Uncertainty in Geotechnics. In: Griffiths D.V., Fenton G.A. (eds). Probabilistic Methods in Geotechnical Engineering. Springer.
Peña, D. (2004). Análisis de datos multivariantes. McGraw-Hill Interamericana de España S.L.
Robertson, P.K. (2016). Cone penetration test (CPT)-Based soil behaviour type (SBT) Classification system- an update. Canadian geotechnical journal, 53, pp. 1910-1927.
Vapnik, V. N. (1999). The nature of statistical learning theory. 2a edición. Springer.
Wierzbicki J.; Smaga A.; Stefaniak K.; Wołyński W. (2016). 3D mapping of organic layers by means of CPTU and statistical data analysis. Geotechnical and Geophysical Site Characterisation 5 - Lehane, Acosta-Martínez & Kelly (Eds.)
Wierzchon, S. T.; Klopotek, M. A. (2018). Modern algorithms of cluster analysis. Springer.
