Métodos de aprendizado de máquina para classificação de solos utilizando parâmetros in situ

Abstract

Analisar e subsequentemente classificar o solo é parte importante de muitos processos de engenharia. Porém os testes de laboratório são custosos e demorados e seus resultados se referem apenas à localização da qual a amostra foi obtida, precisando extrapolar os resultados para a aplicação em grandes áreas. Ensaios de campo, como o CPTu, têm sido usados devido a velocidade de testagem e consistência dos resultados. Esse estudo busca classificar os solos usando algoritmos de aprendizado de máquina como: árvore de decisão, floresta aleatória, KNN, regressão logística e naive Bayes Gaussiano. Para o treinamento e teste é usado um dataset desbalanceado de 1.862 amostras, obtidas combinando diversos datasets que contém testes feitos em vários países com características de solo diferentes. Os testes feitos em cada solo é o CPTu e ensaio de laboratório para mensurar a densidade real dos grãos e o peso específico do solo. Obtiveram-se resultados promissores, com acurácia superior a 93%.

Analyzing the soil and classifying it is an important part of many engineering processes. However laboratory tests are expensive and time-consuming and its results apply only to the sampling location and it needs to be extrapolated before being applied to bigger areas. Field tests, such as CPTu, have been used due to its testing speed, and result consistency. This study aims to classify soils using machine learning algorithms, using decision tree, random forest, KNN, logistic regression and Gaussian Naive Bayes. To test and train the model, an unbalanced dataset of 1862 samples concatenates multiple datasets that are composed from tests made in multiple countries with different soil characteristics. The tests made on each soil sample are CPTu and laboratory tests to measure the soil specific gravity and soil specific weight. We succeeded at obtaining promising results, with accuracy superior to 93%.