A platform for research: civil engineering, architecture and urbanism
A platform for research: civil engineering, architecture and urbanism
Die Richtigkeit der Bodenklassifikation spielt eine wichtige Rolle für die Fundamente von industriellen und anderen Bauten. Das Zusammenspiel der Klassifikationsfaktoren ist dabei sehr komplex. Zur Zeit wird in China vorwiegend ein 1992 herausgebrachtes Klassifikationsverfahren nach einem Entwurf des Ministeriums für Wasser und Elektrizität von den Bauingenieuren benutzt. Dieses Verfahren kommt jedoch oft nicht zu eindeutigen Resultaten, weil es Mischformen gibt. Ausgehend von den drei Faktoren Plastizität des Bodens, Wasseraufnahmefähigkeit und Tonanteil wird ein neues Verfahren zur Bodenklassifikation vorgestellt. Das Verfahren beruht auf einem neuronalen Netz mit Backpropagation. Als Eingabevektor dienen die drei angegebenen Klassifikationsfaktoren. Es wird von einem in der Programmiersprache C auf einem Mikrocomputer des Typs AST/PP4 entwickelten Programm unterstützt. Der Rechner braucht eine Trainingszeit von 24 s CPU-Zeit. Nach diesem Training ist in fast 100 % der Fälle eine korrekte Klassifikation möglich. Die Standards der Bodenklassifikation werden erläutert. Das Lernverhalten des neuronalen wird Netzes beschrieben. Die Anwendung des neuronalen Netzes auf zwanzig Boden-Stichproben wird dargestellt.
Die Richtigkeit der Bodenklassifikation spielt eine wichtige Rolle für die Fundamente von industriellen und anderen Bauten. Das Zusammenspiel der Klassifikationsfaktoren ist dabei sehr komplex. Zur Zeit wird in China vorwiegend ein 1992 herausgebrachtes Klassifikationsverfahren nach einem Entwurf des Ministeriums für Wasser und Elektrizität von den Bauingenieuren benutzt. Dieses Verfahren kommt jedoch oft nicht zu eindeutigen Resultaten, weil es Mischformen gibt. Ausgehend von den drei Faktoren Plastizität des Bodens, Wasseraufnahmefähigkeit und Tonanteil wird ein neues Verfahren zur Bodenklassifikation vorgestellt. Das Verfahren beruht auf einem neuronalen Netz mit Backpropagation. Als Eingabevektor dienen die drei angegebenen Klassifikationsfaktoren. Es wird von einem in der Programmiersprache C auf einem Mikrocomputer des Typs AST/PP4 entwickelten Programm unterstützt. Der Rechner braucht eine Trainingszeit von 24 s CPU-Zeit. Nach diesem Training ist in fast 100 % der Fälle eine korrekte Klassifikation möglich. Die Standards der Bodenklassifikation werden erläutert. Das Lernverhalten des neuronalen wird Netzes beschrieben. Die Anwendung des neuronalen Netzes auf zwanzig Boden-Stichproben wird dargestellt.
Soil classification by neural network
Die Klassifikation von Böden durch neuronale Netze
Cal, Y. (author)
Advances in Engineering Software ; 22 ; 95-97
1995
3 Seiten, 1 Bild, 4 Tabellen, 2 Quellen
Article (Journal)
English
Gemstone Classification Using Deep Convolutional Neural Network
| Springer Verlag | 2024
Gemstone Classification Using Deep Convolutional Neural Network
| Springer Verlag | 2024
Classification of wear debris using a neural network
| British Library Online Contents | 1997
Classification of River Basins Using Artificial Neural Network
| British Library Online Contents | 2000