Identification of quick clay using cone penetration tests and machine learning

• Main Authors: Berrum, Martin, Skaar, Håvard
• Format: Dissertation
• Language: English

Forekomst av kvikkleire er en viktig del av geoteknisk ingeniørarbeid i Norge. Dens tilstedeværelse påvirker måten grunnundersøkelser, dimensjonering, kontroll og kvalitetssikring blir utført på i et prosjekt. Identifisering av kvikkleire avhenger av en kombinasjon av feltundersøkelser, prøvetaking og laboratorieundersøkelser, sammen med tolkning av geotekniske ingeniører. Prøvetaking og påfølgende laboratorieundersøkelse er den eneste metoden som gir sikker påvisning av kvikkleire, men på grunn av dens kostnader er det ofte begrenset til bestemte prosjekter og til relativt få dybder. Feltundersøkelsesmetoder som trykksondering kan i mange tilfeller gi en god indikasjon på kvikkleire, men laboratorieundersøkelser er nødvendig for å verifisere forekomsten. In-situ feltundersøkelser gir en rask måte å anskaffe kontinuerlig informasjon om løsmasseprofilet. Metoder for å klassifisere løsmasser med data fra trykksondering er tradisjonelt sett utført ved tolking av geotekniske ingeniører og klassifiseringsdiagrammer. Disse klassifiseringsdiagrammene har derimot vanskeligheter til å detektere norske kvikkleirer. Nylig foreslåtte metoder som bruker maskinlæring og trykksondering har vist lovende resultater innen detektering av kvikkleire. Denne avhandlingen vil arbeide videre med å teste ut maskinlæringsalgoritmer til å klassifisere kvikkleire ved trykksondering. Sju algoritmer og tre datasett blir analysert og brukt for trening og testing. NGTS Tiller-Flotten datasettet består av 32 trykksonderinger og virker som standard for måling av ytelse for å teste de ulike algoritmene på samme datasettet. Både prestasjon og tidsbruk vil bli målt for å sammenligne hvilke algoritmer som oppnår best resultat. To nye datasett blir implementert for å analysere hvordan maskinlæringsalgoritmene presterer når de blir trent og testet på ulike datasett. Dataen er inndelt i to klasser, følgende kvikkleire og annet materiale. Visualisering av modellene er utført i to og tre dimensjoner for å forstå hvordan de ulike algoritmene separerer disse to klassene. Resultatene viser at nevrale nettverk generelt virker bra. Når man legger til et konvolusjonsfilter til nettverket kan modellene bli enda mer generaliserbare. Algoritmer med beslutningstre som arkitekturtype har problemer med å klassifisere kvikkleire når trykksonderingene som blir testet ikke er del av datasettet algoritmen ble trent på. Det virker ikke som "support vector machines" har dette problemet. Når algoritmene blir trent og