Korelasi Standar dan Cone

Pengujian penetrasi untuk Sandy dan kelanauan

Pasir untuk Sandy Silt Tanah
Bashar Tarawneh Ph.D, PE
Asisten Profesor
Jurusan Teknik Sipil
Universitas Yordania
Amman, Yordania 11942

ABSTRAK
Standard Penetration Test (SPT) dan Cone Penetrasi Test (CPT) yang paling umum
digunakan dalam tes situ untuk menggambarkan stratigrafi tanah dan menentukan sifat
geoteknik dari tanah bawah permukaan. Beberapa parameter desain geoteknik tanah
berhubungan dengan SPT. Di Sebaliknya CPT menjadi semakin lebih populer untuk situs
investigasi dan desain geoteknik. Saya sangat berharga untuk mengkorelasikan-nilai N SPT
data CPT (resistance tip dan ketahanan gesekan) sehingga bahwa database yang tersedia dari
pertunjukan lapangan dan korelasi properti dengan N-nilai bisa efektif digunakan. Dalam
makalah ini regresi linier berganda (MLR) dan regresi simbolik (SR) yang digunakan untuk
mengembangkan formula yang dapat memprediksi N-nilai menggunakan data CPT untuk
pasir, lumpur berpasir, dan pasir berlumpur tanah di Dubai, UEA. The maju MLR dan SR
formula diuji dengan menggunakan satu set yang berbeda dari SPT- Data CPT.

Disimpulkan bahwa menggunakan SR menunjukkan beberapa perbaikan untuk model MLR

maju dan model-model yang dikembangkan dapat digunakan untuk memprediksi N-nilai dari
data CPT dengan akurasi yang dapat diterima.
KATA KUNCI: SPT, CPT, Korelasi, Regresi, Pasir, Silt

PENDAHULUAN
Standard Penetration Test (SPT) dan Cone Penetrasi Test (CPT) yang paling sering
digunakan dalam tes situ untuk menggambarkan stratigrafi tanah dan menentukan geoteknik
sifat tanah bawah permukaan. Beberapa parameter desain geoteknik tanah terkait
dengan SPT. Sebaliknya CPT menjadi semakin lebih populer untuk situs penyelidikan dan
desain geoteknik, terutama di daerah delta, berdasarkan jenis tanah dan metode pengujian.

Untuk banyak proyek konstruksi, itu adalah umum untuk menggunakan SPT untuk
penyelidikan tanah awal, sedangkan CPT digunakan untuk penyelidikan tanah rinci dan
kontrol kualitas konstruksi. Hal ini sangat berharga untuk mengkorelasikan-nilai N SPT data
CPT (resistance tip dan gesekan resistance) sehingga database yang tersedia dapat
dimanfaatkan secara efektif. Oleh karena itu, banyak empiris hubungan telah dibentuk antara
SPT N-nilai dan bantalan CPT kerucut resistensi, qc.
Tujuan utama dari penelitian ini adalah untuk mengusulkan formula yang dapat memprediksi
N-nilai dari Data CPT untuk pasir, lumpur berpasir, dan pasir berlumpur di daerah Dubai.
 KERJA SEBELUMNYA

Sebagian besar korelasi empiris dianggap nilai konstan (n) dari = dan beberapa
+
peneliti lain mengusulkan n = untuk jenis tanah yang berbeda seperti yang ditunjukkan
pada tabel 1. Dimana qc adalah kerucut perlawanan ujung, fs adalah tahanan gesek, dan N
adalah jumlah pukulan SPT.

Robertson et al. (1983) disajikan qc / N rasio sebagai fungsi dari ukuran butir rata-rata,
'D50'. Mereka mengusulkan klasifikasi tanah perilaku-jenis, memberikan qc/N ratio untuk
setiap zona klasifikasi tanah berdasarkan spt dengan tes tekanan pori pengukuran (CPTU,
piezocone). Ismael dan Jeragh (1986) berkorelasi CPT qc
nilai dengan SPT N-nilai untuk gurun berkapur pasir di Kuwait dan membandingkan hasil
mereka dengan nilai-nilai yang disampaikan oleh Schmertmann (1970) untuk bersih, baik
untuk pasir menengah dan sedikit berlumpur pasir. Nilai n mereka diusulkan lebih tinggi
daripada yang diusulkan oleh Schmertmann untuk bersih, baik untuk pasir menengah dan
pasir sedikit berlumpur.
Sebuah Perjanjian dekat hasil tes mereka dalam bentuk qc/ N vs berarti ukuran butir 'D50' Di
mana ditemukan bila dibandingkan dengan data historis dari Robertson et al. (1983).
Danziger dan de Velloso (1995) mengusulkan korelasi antara CPT dan SPT untuk beberapa
Tanah Brasil. Nilai ditemukan berada di kisaran yang sama diperoleh Schmertmann (1970).

Berbagai jenis korelasi diuji, dan korelasi linear ditemukan lebih cocok untuk
aplikasi praktis. Sebuah kecenderungan umum diperoleh dalam pola yang sama dari kurva
Robertson (Peningkatan n-nilai dengan meningkatkan ukuran butir).
Lunne et al. (1997) yang dikutip Jefferies dan Davies (1993) yang disajikan klasifikasi tanah
grafik memperkirakan N-nilai. Perkembangan baru ini menganggap QC dengan
memperhatikan air pori akun tekanan (u) dan stres overburden ('vo), menggunakan
piezocone. Akca (2003) mengusulkan korelasi SPT-CPT untuk Uni Emirat Arab Tanah.

Hasil nya Penelitian menunjukkan nilai yang lebih tinggi dari n = qc/N bila dibandingkan
dengan nilai-nilai yang ditemukan dalam literatur. Dia menjelaskan bahwa nilai-nilai yang
lebih tinggi karena sementasi, densifikasi dan struktur Shelly atau kerikil lapisan di Uni
Emirat Arab tanah. Shahri et al. (2014) mengusulkan korelasi antara qc dan N-nilai untuk
berbagai lapisan tanah, khususnya di tanah liat dengan kandungan liat yang signifikan di
daerah di sebelah barat daya Swedia. Mereka hubungan linear dan kekuasaan yang diusulkan
untuk memprediksi qc menggunakan nilai N. Hasil penelitian mereka menunjukkan
perjanjian baik dengan pekerjaan sebelumnya oleh peneliti lain.

GEOLOGI DARI UNITED ARAB EMIRATES

Rahman dan Harris (1984) menunjukkan bahwa lingkungan geoteknik Arab Inggris Arab
(UEA) pantai berutang karakteristik untuk beberapa perubahan permukaan laut kecil, tetapi
lebih signifikan, dengan iklim yang didominasi oleh curah hujan yang rendah, penguapan
tinggi dan tinggi suhu ambien. Ekstrem ini memiliki efek langsung berikut pada

Geologi:
Dunes, yang tetap mobile, karena kurangnya vegetasi

Menguap deposito yang disebabkan oleh pengendapan garam selama penguapan

dari dekat tanah permukaan

Dataran kerikil di dasar pegunungan, yang dihasilkan dari limpasan air cepat selama
sebentar musim hujan.

DATA COLLECTION DAN PENGOLAHAN

Penelitian ini dilakukan dengan menggunakan yang sudah ada pasangan SPT-CPT
dikumpulkan di Dubai, UEA. Data digunakan dalam penelitian ini terdiri dari 66 CPT-SPT
pasang pasir, lumpur berpasir, dan tanah pasir berlumpur. Jarak antara masing-masing
pasangan CPT-SPT berkisar antara 3 sampai 40m. Kedalaman pasangan SPT-CPT berkisar
antara 3 sampai 9m. Tabel air ditemui di semua pasangan CPT-SPT antara 0,9 sampai 5.5m
di bawah permukaan tanah yang ada.

Tanah diklasifikasikan sebagai pasir, lumpur berpasir, dan pasir berlumpur menggunakan
sampel yang dikumpulkan dari SPT dan jenis perilaku tanah (SBT) grafik. Gambar 1
menunjukkan Interpretasi data CPT dalam hal jenis perilaku tanah seperti yang diusulkan
oleh Lunne (1997) dan Robertson (2009). Hal ini dapat dicatat bahwa semua titik data telah
jatuh di wilayah lima dan enam. Wilayah lima mewakili pasir berlumpur ke lumpur berpasir
sementara wilayah enam merupakan pasir yang bersih untuk pasir berlumpur.

Setiap CPT mengumpulkan satu membaca setiap 0.02m sedangkan SPT memiliki satu
membaca setiap 0.5m. Oleh karena itu, hasil CPT yang rata-rata lebih 0.5m interval. Rata-rata
ini dibandingkan dengan SPT-nilai N yang terletak di atas kisaran kedalaman yang sama. Hal
ini penting untuk menormalkan N-nilai yang terukur oleh palu untuk energi batang standar
rasio. Para peneliti menunjukkan bahwa jumlah pukulan di tanah yang diberikan berbanding
terbalik dengan batang
rasio energi (ERR) (Skempton, 1986). N-nilai yang terukur dengan energi batang diketahui
atau diperkirakan ratio (ERR) nilai dapat dinormalisasi untuk standar ini menggunakan N 60
= N (ERR / 60).

Standar tes penetrasi dilakukan dengan menggunakan Pilcon-jenis palu dan sistem pelepasan
perjalanan. Skempton (1986) memberikan rasio energi batang untuk jenis palu yang berbeda
dan sistem rilis. Berdasarkan itu, Rasio ERR adalah 60% dan err / 60 rasio 1,0. Oleh karena
itu, N 60 adalah sama dengan yang diukur N-nilai yang dapat digunakan secara langsung
dalam analisis. Tabel 2 merangkum mean, standar deviasi, minimum, maksimum, dan
jangkauan data lapangan yang dikumpulkan, gesekan dihitung rasio Rf = (Fs/ Qc) X100%
dan nilai-n (n = qc/ N). Itu bisa dicatat bahwa rata-rata n-nilai adalah 0,629. Rasio gesekan
rata untuk data CPT dikumpulkan adalah 0,6%. Perlu dicatat bahwa rasio gesekan untuk pasir
bersih adalah sekitar 0,5% dan meningkat sebagai butir tanah menjadi lebih halus.
 ANALISIS DAN HASIL DATA

Analisis statistik yang komprehensif dilakukan untuk mengembangkan model yang dapat
memprediksi N- nilai menggunakan data CPT-SPT mengumpulkan. Definisi dan rentang
variabel yang digunakan dalam penelitian ini adalah pada Tabel 1.
Regresi Linear (MLR) Model untuk Memprediksi N-nilai Analisis dilakukan untuk
mengembangkan model yang MLR yang lebih baik memprediksi N-nilai. MLR
analisis adalah pendekatan terkenal yang mengidentifikasi hubungan antara satu set
bergantung dan variabel independen dengan menggunakan metode statistik. Hubungan antara
dependent variabel dan jumlah variabel independen yang berupa: Y saya = A 0 + A 1 X 1 +
A 2 X2+ A3X3+ .... + AkXk+ saya (1)
di mana, untuk satu set "i" pengamatan berturut-turut, yang diprediksi variabel Y adalah
kombinasi linear dari offset "a 0 ", Satu set" k "variabel prediktor" X
"dengan pencocokan" a "koefisien, dan residual kesalahan. "A" nilai-nilai yang umumnya
berasal melalui prosedur paling biasa
kotak. Ketika persamaan regresi digunakan dalam modus prediktif, (perbedaan antara aktual
dan nilai-nilai tidak diperhitungkan oleh model prediksi) dihilangkan karena yang diharapkan
nilai adalah nol.

Perlu dicatat bahwa dalam persamaan 1, "Y" merupakan nilai N yang dilambangkan sebagai
N. Sementara X merupakan variabel independen (qc , Stres yang efektif, fs, Rasio gesekan
(Rf%), Dan kedalaman di mana data yang dikumpulkan). Sebuah analisis MLR bertahap
dilakukan untuk mengidentifikasi variabel independen penting yang mempengaruhi prediksi
N-nilai. Sebuah Stepwise Iterasi (SI) Prosedur yang digunakan di mana penghentian proses
eliminasi variabel independen didasarkan pada t-test dan F-test hasil.

Analisis regresi bertahap menggabungkan bertahap maju dan mundur

metode regresi. Ini cocok untuk semua model linear sederhana mungkin dan memilih salah
satu yang terbesar dengan F-test nilai statistik. Pada setiap langkah, variabel dihapus jika nilai
signifikansinya berada di bawah ambang batas. Penghapusan variabel tidak signifikan
memberikan perkiraan yang lebih akurat sesuai dengan Sonmez dan Rowings (1998). Proses
selesai ketika tidak ada lagi variabel luar Model memiliki tingkat signifikansi yang
diperlukan untuk masuk. Namun, pada setiap tahap prosedur yang penghapusan variabel
independen awal yang dipilih diperbolehkan. Dalam rangka untuk menghilangkan variabel
tidak signifikan, statistik regresi yang digunakan adalah tingkat signifikansi (P value kurang
dari 0,05) dan koefisien determinasi (R2).

Kecukupan model yang dikembangkan dinilai dalam penelitian ini menggunakan koefisien
determinasi, R2, mean square error, dan standard error dari estimasi. R2 merupakan proporsi
variasi dalam variabel dependen yang dicatat oleh model regresi dan memiliki nilai-nilai dari
nol sampai satu. Jika itu adalah sama dengan satu, seluruh poin yang diamati berbaring di
disarankan garis kuadrat terkecil, yang berarti korelasi sempurna ada. Selain itu, rata-rata
square error estimasi standar mengukur ketepatan dalam nilai-nilai diprediksi. Ditemukan
bahwa Rf% dan kedalaman secara statistik tidak signifikan dalam model regresi. Tiga regresi
model yang dikembangkan seperti yang ditunjukkan pada Tabel 3 dan 4.
Tabel 3 memberikan standar dan koefisien regresi unstandardized dihasilkan
dari prosedur bertahap, koefisien ini adalah bobot yang digunakan untuk independen variabel
dalam model prediksi. Model 3 memiliki tertinggi disesuaikan R2 nilai sama dengan 0,813,
standard error paling estimasi (5.41), dan setidaknya mean square error. Model ini termasuk
variabel: ujung resistance (qc), stres vertikal efektif, dan gesekan lengan (fs). Seperti
dirangkum dalam Tabel 3, MLR model 3 adalah disajikan dalam persamaan 2 sebagai
berikut: = 1.59 + 0,993 + 0,069 + 18,185 (2) Tabel 4 menunjukkan perubahan dalam nilai-
nilai R2 untuk semua model MLR. R2 nilai meningkat dengan penambahan istilah untuk
model regresi.

Jumlah perubahan dalam R2 adalah ukuran peningkatan daya prediksi dari variabel
independen tertentu atau variabel, mengingat variabel independen atau variabel yang sudah
dalam model. Hal ini dapat dicatat bahwa qc memiliki tertinggi efek pada R2 nilai
disesuaikan. Regresi simbolik (SR) Untuk lebih mengoptimalkan dan meningkatkan model
yang dikembangkan yang memprediksi N-nilai, simbolik
analisis regresi dilakukan. SR adalah teknik pemodelan pembelajaran mesin kuat
diperkenalkan oleh John Koza (1991). SR mengembangkan model ketika fisik yang
mendasarihubungan antara data input dan output tidak dapat diabstraksikan.

Selain itu, ia menyediakan langsung wawasan struktur proses yang mendasari, serta membuat
prediksi angka akurat dibandingkan dengan nilai-nilai empiris. Regresi simbolik (Koza,
1992) adalah metode untuk mencari ruang matematika

ekspresi, dan meminimalkan berbagai metrik kesalahan. Tidak seperti linear tradisional dan
nonlinear metode regresi yang sesuai parameter untuk persamaan bentuk tertentu, regresi
simbolik mencari kedua parameter dan bentuk persamaan simultan. Proses ini otomatis
membentuk persamaan matematika yang setuju untuk interpretasi manusia dan bantuan
menjelaskan fenomena yang diamati. SR adalah salah satu aplikasi paling populer
pemrograman genetik dan menarik alternatif untuk regresi standar pendekatan karena
fleksibilitas dalam menghasilkan bentuk bebas model matematika dari data yang diamati
tanpa pengetahuan domain. Memang, user-friendly pemrograman genetik berdasarkan regresi
simbolik (GP-SR) alat seperti Eureqa (Schmidt dan H. Lipson 2009) sudah mulai
mendapatkan perhatian lebih dari masyarakat ilmiah selama beberapa tahun.
Sebuah Pemrograman Genetik (GP) paket Eureqa digunakan untuk mundur hubungan
fungsional untuk memprediksi N-nilai menggunakan qc, fs, dan stres yang efektif. Eureqa
menggunakan regresi simbolis untuk menemukan
solusi analitis untuk menjelaskan data eksperimen. Input untuk Eureqa, regresi simbolik
toolbox yang digunakan dalam penelitian ini, terdiri dari satu set variabel input bersama
dengan sesuai hasil eksperimen. Selain itu, operator matematika ditentukan yang akan
digunakan dalam persamaan.

Beberapa kombinasi dari operator dan variabel kemudian dihasilkan oleh genetik
algoritma untuk menemukan pendekatan yang sesuai dalam bentuk persamaan
simbolik. Persamaan berasal adalah dinilai untuk kompleksitas dan cocok mereka.
Tabel 5 menyajikan hasil analisis regresi simbolik. Hal ini dapat dicatat bahwa enam model
yang dikembangkan untuk memprediksi N-nilai menggunakan qc, fs, dan stres yang
efektif. Model-model menunjukkan beberapa perbaikan jika dibandingkan dengan model
MLR yang dikembangkan. R2 nilai bagi mereka
model berkisar 0,828-0,839, sedikit perbaikan ditunjukkan ketika membandingkan mereka
nilai dengan nilai R2 dari model MLR yang 0,813. Mean square error berkisar antara 23,591
untuk 25,235, perbaikan yang baik akan ditampilkan bila dibandingkan dengan 29,28 untuk
model MLR. Standar kesalahan estimasi berkisar 3,137-3,379, perbaikan yang baik
ditunjukkan bila dibandingkan dengan
5.41 untuk model MLR. Dapat disimpulkan bahwa menggunakan SR meningkatkan MLR
maju Model.

VERIFIKASI MODEL DIKEMBANGKAN

Untuk mengamankan keandalan yang lebih tinggi dari model yang dikembangkan, satu set
data yang berbeda SPT-CPT yang digunakan untuk memprediksi N-nilai menggunakan
model MLR dan model SR. Data CPT dari 4 CPTs yang digunakan untuk memprediksi N-
nilai pada kedalaman yang berbeda mulai dari 0,3 sampai 4,5 juta. Prediksi N-nilai yang
dibandingkan dengan bidang N-nilai. Tabel 6 menyajikan rasio N-lapangan untuk N-
diprediksi menggunakan Model maju. Tabel tersebut juga menyajikan minimum, maksimum,
jangkauan dan rasio rata-rata.

Hal ini dapat dicatat bahwa model yang dikembangkan di bawah meramalkan N-nilai dengan
(13% sampai 59%) dan lebih meramalkan N-nilai dengan (41% sampai 147%). SR Model-1
memiliki kisaran terendah prediksi (1.0) sedangkan SR Model-4 memiliki kisaran tertinggi
prediksi (1,6). Ketika membandingkan
rata-rata rasio model MLR memiliki rasio prediksi terbaik (1,02) sedangkan SR Model-4
memiliki rata-rata tertinggi (1,49). Untuk mendapatkan hasil yang lebih baik, penting untuk
menggunakan model dengan terendah berbagai prediksi yang SR model 1. Namun, SR model
5 dan 6 menunjukkan rentang rendah1,02 dan 1,04, masing-masing. Dapat disimpulkan
bahwa menggunakan SR menunjukkan beberapa perbaikan untuk Model MLR yang
dikembangkan dan model yang dapat digunakan untuk memprediksi N-nilai memuaskan dari
Data CPT.

KESIMPULAN
Makalah ini mempresentasikan hasil penelitian yang dilakukan untuk menilai penggunaan
MLR dan SR untuk mengembangkan model yang akurat dapat memprediksi N-nilai
menggunakan data CPT. Analisis statistik yang komprehensif dilakukan untuk
mengembangkan MLR Model untuk memprediksi N- nilai menggunakan data CPT seperti:
tahan ujung, gesekan lengan, dan stres yang efektif.
Model MLR yang dikembangkan itu lebih dioptimalkan dan ditingkatkan menggunakan
regresi simbolik analisis. Enam model regresi simbolik dikembangkan untuk memprediksi N-
nilai menggunakan resistensi ujung,
lengan gesekan, dan stres yang efektif. Dalam model tersebut, lebih tinggi nilai-nilai R2,
berarti lebih rendah persegi dan kesalahan standar yang dicapai.
Untuk menguji model yang dikembangkan, satu set data yang berbeda SPT-CPT digunakan
untuk memprediksi N-nilai menggunakan model MLR dan model SR. Prediksi N-nilai
dibandingkan dengan lapangan N- nilai. Disimpulkan bahwa menggunakan SR menunjukkan
beberapa perbaikan untuk model MLR maju
dan model tersebut dapat digunakan untuk memprediksi N-nilai dari data CPT dengan akurasi
yang dapat diterima.