Particle Breakage Prediction of Coral Sand Using Machine Learning Method

Das Kapitel befasst sich mit dem kritischen Problem des Korallenbruchs, einem lebenswichtigen Material bei Projekten zur Rekultivierung von Riffinseln. Zunächst werden die einzigartigen physikalischen und mechanischen Eigenschaften von Korallensand hervorgehoben, die ihn unter äußeren Einflüssen brüchig machen. Diese Neigung stellt uns vor erhebliche technische Herausforderungen, wie etwa die verminderte Tragfähigkeit von angetriebenen Pfählen. Die Studie stellt dann drei Ansätze zur Quantifizierung von Teilchenbruch vor: Laborexperimente, Simulationen mit diskreten Elementen (DEM) und Modelle des maschinellen Lernens (ML). Obwohl die ersten beiden Methoden wertvolle Erkenntnisse bieten, reichen sie oft nicht aus, um das gesamte Spektrum der Faktoren zu erfassen, die das Bruchverhalten beeinflussen. Das Kapitel konzentriert sich auf die Integration von ML in die geotechnische Forschung und verwendet einen Datensatz von 114 eindimensionalen Kompressionstests für Korallensand, um vorhersagende Modelle zu entwickeln. Es verwendet verschiedene ML-Regressionsalgorithmen, einschließlich Random Forest, linearer Regression, vollständig vernetztem neuronalem Netzwerk und eXtreme Gradient Boosting, um das relative Bruchverhältnis von Partikeln vorherzusagen. Die Studie kommt zu dem Ergebnis, dass zufällige Waldmodelle mit einem Bestimmungskoeffizienten (R ²) von 0,999 die höchste Übereinstimmung mit experimentellen Daten aufweisen. Das Kapitel untersucht auch die Beziehungen zwischen Partikelbruch und Einflussfaktoren wie Stressniveau, Feinstaubgehalt, Dichtezustand, Partikelgröße, Gleichförmigkeitskoeffizient und Krümmungskoeffizient. Abschließend werden die Grenzen der Studie und die Notwendigkeit weiterer Diskussionen über die Anwendbarkeit der vorgeschlagenen ML-Modelle diskutiert. Die Arbeit bietet wertvolle Einblicke in die mechanischen Mechanismen, die Korallensandkornbruch antreiben, und ihre Auswirkungen auf die Schifffahrt.