ОЦЕНКА НАБУХАЮЩИХ СВОЙСТВ ГЛИН НА ТЕРРИТОРИИ Г. КАРАГАНДА С ПРИМЕНЕНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Abstract

Ссылка для цитирования: Оценка набухающих свойств глин на территории г. Караганда с применением методов машинного обучения / Д.И. Вдовкина, А.Е. Кошляков, М.В. Пономарева, Е.В. Пономарева // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2022. – Т. 333. – № 2. – С. 204-210 Актуальность исследования обусловлена необходимостью выявления зависимости набухания глин от их физических характеристик с целью сокращения временных и денежных ресурсов при проведении инженерно-геологических изысканий. Активное развитие строительной отрасли приводит к тому, что осваиваются территории, сложенные грунтами, которые в результате увлажнения увеличиваются в объеме – набухают. Целью исследования является установление зависимости относительного набухания глинистых пород от их физических характеристик, на определение которых затрачиваются минимальные ресурсы, с применением методов машинного обучения. Объекты: четвертичные и неогеновые глины г. Караганда, которые слагают геологический разрез территорий, используемых для строительства зданий и сооружений. Методы: создание базы данных лабораторных (физические и компрессионные характеристики, гранулометрический состав) и полевых (описание грунтов – цвет, наличие включений, определение уровня подземных вод, интервалы отбора проб) исследований глин в excel; применение высокоуровневого языка программирования «Python» для создания математических моделей посредством дистрибутива «Anaconda»; применение теоремы Парето с целью разделения данных для обучения и валидации, полученной модели; использование показателя «Mean Squared Error» для оценки адекватности построенных моделей. Результаты. Построены три прогностические модели относительного набухания глин. Входными данными являлись лабораторные и геологические параметры 103 образцов глин, отобранных в результате инженерно-геологических изысканий в г. Караганда. Применялись следующие алгоритмы машинного обучения: Random forest, Multilinear regression, Support vector machines. По оценки критерия «Mean Squared Error» для построения модели относительного набухания была выбрана модель Random Forest.