Geotechnics is a branch of engineering that deals with large uncertainties. Soils and rocks are materials subjected to natural, uncontrolled processes that are, in many cases, not fully understood. Before working with these materials, survey campaigns are commonly conducted, which face budgetary and access limitations. When the works are being done, there is an absence of certainty about the actual nature of the soil.
In the case of soil drilling, one way to reduce uncertainty is by using a parameter recording system. This enables tracking how the drill’s parameters varied during the process, providing an idea of the characteristics of the materials encountered. However, these parameters do not have a direct relationship with the strength and deformation parameters commonly used in geotechnics.
On another note, machine learning is a branch of artificial intelligence aimed at extracting information from large datasets, which has revolutionized countless fields in recent years.
This thesis analyses the application of machine learning to drilling data with the objective of reducing uncertainty about the soil being drilled. The data comes from the recorded execution parameters of rigid inclusions created through ground displacement. The goal is to correlate this data with cone penetration resistance, whether static or dynamic.
To achieve this, all the necessary steps for applying machine learning to a problem of this nature have been studied in depth: nature and format of the input data, anomaly detection, dataset construction, feature engineering, selecting the best algorithms, explainability of the resulting models, etc.
According to the results, ensemble trees algorithms deliver the best results and are capable of accurately reproducing the soil’s penetrometric profile. It was also found that the proposed additional features improve the models. However, oversampling does not appear to be useful in this case, and using depth as a feature proves problematic.
Results for estimating the penetrometric profile of one site using data from another site are poor. However, analyzing data from a group of sites yields more promising results.
Ultimately, machine learning algorithms can be a valuable tool for obtaining the penetrometric profile of the traversed soil based on drilling data from rigid inclusions. This allows for additional information about the soil to be obtained at each drilling point, in the same terms that would be provided by conducting a geotechnical investigation. In this way, the uncertainty associated with the executed rigid inclusions is reduced.
RESUMEN
La geotecnia es una rama de la ingeniería que se enfrenta a unas grandes incertidumbres. Los suelos y rocas son materiales sometidos a procesos naturales no controlados y, en muchos casos, no completamente conocidos. Antes de trabajar sobre estos materiales se realizan campañas de ensayos que se encuentran con limitaciones presupuestarias y de acceso. Cuando finalmente se ejecutan los trabajos, no se tiene una total certeza de la naturaleza real del suelo.
En el caso de trabajos de perforación del suelo, una manera de reducir la incertidumbre es contar con un sistema de registro de parámetros. Esto permite conocer como han variado los parámetros de perforación durante el proceso y tener una idea de las características de los materiales atravesados. Sin embargo, estos parámetros no tienen una relación directa con los parámetros de resistencia y deformación que se utilizan normalmente en geotecnia.
Por otro lado, el aprendizaje automático es una rama de la inteligencia artificial que busca extraer información de grandes conjuntos de datos y que ha revolucionado infinidad de campos en los últimos años.
En esta tesis se analiza la aplicación del aprendizaje automático a datos de perforación con el objetivo de reducir la incertidumbre sobre el suelo atravesado. Los datos provienen del registro de parámetros de ejecución de inclusiones rígidas realizadas mediante desplazamiento del terreno. Se busca relacionar estos datos con la resistencia a la penetración en el ensayo penetrométrico, ya sea estático o dinámico.
Para ello se han estudiado en profundidad todos los pasos necesarios para la aplicación del aprendizaje automático en un problema de este tipo: la naturaleza y formato de los datos de entrada, la detección de anomalías, la constitución de los conjuntos de datos, la ingeniería de características, la elección de los mejores algoritmos, la explicabilidad de los modelos obtenidos, etc.
Según los resultados obtenidos, los algoritmos de árboles ensamblados son los que presentan mejores resultados y son capaces de reproducir de manera fiel el perfil penetrométrico del suelo. También se ha comprobado que las características adicionales propuestas mejoran los modelos. Por otro lado, el sobremuestreo no parece ser útil en este caso, y el uso de la profundidad como características resulta problemático.
Los resultados a la hora de estimar el perfil penetrómetrico de una obra a partir de datos de otra son pobres. Pero analizando datos de un conjunto de obras los valores obtenidos sí son prometedores.
En definitiva, los algoritmos de aprendizaje automático pueden ser una interesante herramienta para obtener el perfil penetrométrico del suelo atravesado a partir de los datos de perforación de inclusiones rígidas. Esto permite obtener información adicional del suelo en cada punto en que se ejecuta una perforación en los mismos términos que nos la proporcionaría la ejecución de un reconocimiento geotécnico. De esta manera se disminuye la incertidumbre asociada a las inclusiones rígidas ejecutadas.
Geotechnics is a branch of engineering that deals with large uncertainties. Soils and rocks are materials subjected to natural, uncontrolled processes that are, in many cases, not fully understood. Before working with these materials, survey campaigns are commonly conducted, which face budgetary and access limitations. When the works are being done, there is an absence of certainty about the actual nature of the soil.
In the case of soil drilling, one way to reduce uncertainty is by using a parameter recording system. This enables tracking how the drill’s parameters varied during the process, providing an idea of the characteristics of the materials encountered. However, these parameters do not have a direct relationship with the strength and deformation parameters commonly used in geotechnics.
On another note, machine learning is a branch of artificial intelligence aimed at extracting information from large datasets, which has revolutionized countless fields in recent years.
This thesis analyses the application of machine learning to drilling data with the objective of reducing uncertainty about the soil being drilled. The data comes from the recorded execution parameters of rigid inclusions created through ground displacement. The goal is to correlate this data with cone penetration resistance, whether static or dynamic.
To achieve this, all the necessary steps for applying machine learning to a problem of this nature have been studied in depth: nature and format of the input data, anomaly detection, dataset construction, feature engineering, selecting the best algorithms, explainability of the resulting models, etc.
According to the results, ensemble trees algorithms deliver the best results and are capable of accurately reproducing the soil’s penetrometric profile. It was also found that the proposed additional features improve the models. However, oversampling does not appear to be useful in this case, and using depth as a feature proves problematic.
Results for estimating the penetrometric profile of one site using data from another site are poor. However, analyzing data from a group of sites yields more promising results.
Ultimately, machine learning algorithms can be a valuable tool for obtaining the penetrometric profile of the traversed soil based on drilling data from rigid inclusions. This allows for additional information about the soil to be obtained at each drilling point, in the same terms that would be provided by conducting a geotechnical investigation. In this way, the uncertainty associated with the executed rigid inclusions is reduced.
RESUMEN
La geotecnia es una rama de la ingeniería que se enfrenta a unas grandes incertidumbres. Los suelos y rocas son materiales sometidos a procesos naturales no controlados y, en muchos casos, no completamente conocidos. Antes de trabajar sobre estos materiales se realizan campañas de ensayos que se encuentran con limitaciones presupuestarias y de acceso. Cuando finalmente se ejecutan los trabajos, no se tiene una total certeza de la naturaleza real del suelo.
En el caso de trabajos de perforación del suelo, una manera de reducir la incertidumbre es contar con un sistema de registro de parámetros. Esto permite conocer como han variado los parámetros de perforación durante el proceso y tener una idea de las características de los materiales atravesados. Sin embargo, estos parámetros no tienen una relación directa con los parámetros de resistencia y deformación que se utilizan normalmente en geotecnia.
Por otro lado, el aprendizaje automático es una rama de la inteligencia artificial que busca extraer información de grandes conjuntos de datos y que ha revolucionado infinidad de campos en los últimos años.
En esta tesis se analiza la aplicación del aprendizaje automático a datos de perforación con el objetivo de reducir la incertidumbre sobre el suelo atravesado. Los datos provienen del registro de parámetros de ejecución de inclusiones rígidas realizadas mediante desplazamiento del terreno. Se busca relacionar estos datos con la resistencia a la penetración en el ensayo penetrométrico, ya sea estático o dinámico.
Para ello se han estudiado en profundidad todos los pasos necesarios para la aplicación del aprendizaje automático en un problema de este tipo: la naturaleza y formato de los datos de entrada, la detección de anomalías, la constitución de los conjuntos de datos, la ingeniería de características, la elección de los mejores algoritmos, la explicabilidad de los modelos obtenidos, etc.
Según los resultados obtenidos, los algoritmos de árboles ensamblados son los que presentan mejores resultados y son capaces de reproducir de manera fiel el perfil penetrométrico del suelo. También se ha comprobado que las características adicionales propuestas mejoran los modelos. Por otro lado, el sobremuestreo no parece ser útil en este caso, y el uso de la profundidad como características resulta problemático.
Los resultados a la hora de estimar el perfil penetrómetrico de una obra a partir de datos de otra son pobres. Pero analizando datos de un conjunto de obras los valores obtenidos sí son prometedores.
En definitiva, los algoritmos de aprendizaje automático pueden ser una interesante herramienta para obtener el perfil penetrométrico del suelo atravesado a partir de los datos de perforación de inclusiones rígidas. Esto permite obtener información adicional del suelo en cada punto en que se ejecuta una perforación en los mismos términos que nos la proporcionaría la ejecución de un reconocimiento geotécnico. De esta manera se disminuye la incertidumbre asociada a las inclusiones rígidas ejecutadas. Read More
Related posts:
Application of Machine Learning algorithms to drilling data for deep foundations and soil treatments
Opportunity to integrate machine management data, soil, terrain and climatic variables to estimate tree harvester and forwarder performance
Clustering Multivariable Aplicado a la Exploración Geoquímica de Sistemas Geotérmicos en Ambientes Volcánicos
Effects of soil water-holding capacity and soil N-NO3− and K on the nutrient content, vigour and yield of cv. Tempranillo vine and the composition of its must and wine
Advances on the integration of drill monitoring technology in mining operations
Enhancing radon-deficit technique efficacy: machine learning applications for environmental variable analysis in soil gas monitoring