Kütahya şehir merkezindeki zeminlerin yapay sinir ağı ile sınıflandırılmasına dair ön çalışma

Abstract

Zemin sınıflaması, jeoloji ve inşaat mühendisliğinde özellikle jeoteknik projelerde önemli bir konudur. Önceki zemin sınıflandırma çalışmaları, zeminleri tanımlamak için klasik yöntemleri kullanmaktadır. Ancak klasik yöntemler zaman kaybına ve bazen hatalı zemin tanımlamalarına yol açabilmektedir. Bu çalışmada Yapay Sinir Ağı (YSA) kullanılarak bu sorunu çözmek amaçlanmıştır. Çalışmada Kütahya şehir merkezinden toplanan 72 adet zemin örneğini dört farklı zemin sınıfına ayırmak için sınıflandırıcı bir YSA modeli önerilmiştir. Önerilen YSA, ileri beslemeli üç katmanlı bir örüntü tanıma ve sınıflandırma ağıdır. YSA’nın ilk katmanı girdi katmanı, ikinci katmanı gizli katman ve üçüncü katmanı çıktı katmanıdır. Girdi katmanı, giriş elemanları olarak beş zemin özelliğinden meydana gelmektedir: çakıl, kum, kil+silt, likit limit ve plastisite indisi. Gizli katmanda dokuz nöron bulunmaktadır ve gizli katmandaki nöronlarda tanjant hiperbolik aktivasyon fonksiyonları kullanılmıştır. YSA çıkışı, zemin örneklerini, düşük plastisiteli kil, yüksek plastisiteli kil, killi kum, killi çakıl olmak üzere dört farklı sınıfa ayırmak için dört elemanlı olarak tasarlanmıştır ve bu nedenle çıkış katmanında dört nöron bulunmaktadır. Çıkış katmanında Softmax aktivasyon fonksiyonları kullanılmıştır. Sonuçları değerlendirmek ve analiz etmek için kullanılan Karışıklık Matrislerine göre, önerilen sınıflandırıcı YSA %98,6’lık bir sınıflandırma performansına sahiptir. Bu sonuç, önerilen sınıflandırıcı YSA’nın zeminleri tanımlamada kullanışlı olduğunu ve kentsel alanlarda planlama ve geliştirme için değerli bilgiler verdiğini göstermektedir.

Keywords

• Yapay sinir ağları
• Kütahya
• Makine öğrenmesi
• Zemin Sınıflama

Preliminary approach to artificial neural networked based soil classification in Kutahya city centre

Abstract

Soil classification is an important subject of geology, and civil engineering, especially in geotechnical projects. Previous soil classification studies have classical methods to identifying soils. However, these classical methods can be very time-consuming and sometimes lead to erroneous definitions of soils. Here, we aim to solve this problem for using Artificial Neural Networks (ANN). In this study, a classifier ANN model is proposed for classifying seventy-two soil samples collected from the city center of Kutahya into four different soil classes. The proposed ANN is a feed-forward three-layer pattern recognition and classification network. The first layer of the ANN is the input layer, the second layer is the hidden layer, and the third layer is the output layer. The input layer consists of five soil properties as input elements: gravel, sand, clay+silt, liquid limit and plasticity index. There are nine neurons in the hidden layer, and tangent hyperbolic activation functions are used in the neurons in the hidden layer. The output of the ANN is designed with four elements to classify the soil samples into four different classes: low plasticity clay, high plasticity clay, clayey sand, clayey gravel, and therefore four neurons are in the output layer. Softmax activation functions are used in the output layer. According to the Confusion Matrices used to evaluate and analyze the results, the proposed classifier ANN has a classification performance of 98.6%. This shows that the proposed classifier ANN is useful at identification of soils, and gives valuable information to the planning and development in urban areas.

Keywords

• Artificial neural networks
• Kutahya
• machine learning
• soil classification

References

1. [1] J. Shi, B. Li, and X. Hu, "Soil classification using particle size distribution and moisture levels via artificial neural networks," Geotechnical and Geological Engineering, vol. 36, no. 6, pp. 3235-3247, 2018, doi: 10.1007/s10706-018-0512-1.
2. [2] Y. Li, H. Wang, and Q. Zhang, "Application of artificial neural networks in soil texture classification: A case study in China," Soil Science Society of America Journal, vol. 84, no. 4, pp. 973-981, 2020, doi: 10.2136/sssaj2019.12.0001.
3. [3] A. Elshorbagy, F. Diallo, and D. S. Nash, "Comparison of artificial neural network and support vector machine models for soil classification," Computers and Geosciences, vol. 140, pp. 104-119, 2020, doi: 10.1016/j.cageo.2020.104119.
4. [4] N. Duc, H. Nguyen, and T. Tran, "Application of artificial neural networks for soil classification in challenging geological settings," Engineering Geology, vol. 319, pp. 107–122, 2023, doi: 10.1016/j.enggeo.2023.107122.
5. [5] L. M. Nunes, D. M. de Souza, and R. Silva, "Predicting soil hydraulic properties using artificial neural networks for urban planning," Journal of Hydrology, vol. 594, pp. 125–132, 2021, doi: 10.1016/j.jhydrol.2021.125132.
6. [6] X. Wu, Y. Zhao, and L. Zhang, "Modeling soil erosion using artificial neural networks," Catena, vol. 199, p. 105120, 2021, doi: 10.1016/j.catena.2020.105120.
7. [7] S. Singh, K. Thakur, and P. Kumar, "Assessing desertification risk using artificial neural networks," Arid Land Research and Management, vol. 34, no. 4, pp. 413–430, 2020, doi: 10.1080/15324982.2020.1729571.
8. [8] M. S. Rahman and M. A. Islam, "Soil classification using artificial neural networks in data-scarce rural regions," Geoderma Regional, vol. 29, p. e00318, 2022, doi: 10.1016/j.geodrs.2022.e00318.

9. [9] W. Zhang, Y. Luo, and H. Chen, "Optimizing soil classification with a genetic algorithm-enhanced neural network model in flood-prone areas," Soil and Tillage Research, vol. 231, p. 105703, 2023, doi: 10.1016/j.still.2023.105703.
10. [10] G. Kaur, R. Singh, and A. Gupta, "Hybrid neural network model with fuzzy logic for soil classification in arid regions," Environmental Modelling & Software, vol. 157, p. 105280, 2023, doi: 10.1016/j.envsoft.2022.105280.
11. [11] İ. Temizel, M. Arslan, C. Özkul, M. Özburan, “Kütahya (Batı Anadolu) ve çevresinde yüzeylenen Miyosen yaşlı volkanik kayaçların mineral kimyası ve püskürme öncesi kristallenme koşulları, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, vol. 30, no. 4, pp. 564–585, 2024.
12. [12] A.I. Okay, “Kuzeybatı Anadolu’daki ofiyolitlerin jeolojisi ve mavişist metamorfizması (Tavşanlı-Kütahya),” Türkiye Jeoloji Kurumu Bülteni, vol. 24, pp. 85–95, 1981.
13. [13] I. Yilmaz, A. Bagci, “Soil liquefaction susceptibility and hazard mapping in the residential area of Kütahya (Turkey)”. Environ Geol, vol. 49, 708-719, 2012. https://doi.org/10.1007/s00254-005-0112-1.
14. [14] M. Özburan, Ö.F. Gürer, “Late Cenozoic polyphase deformation and basin development, Kütahya region, western Turkey”. International Geology Review, 54(12), 1401–1418, 2012.
15. [15] S. Altınok, V. Karabacak, C. Ç. Yalçıner, A. N. Bilgen, E. Altunel, N. G. Kıyak, “Kütahya Fay Zonu’nun Holosen Aktivitesi,” Türkiye Jeoloji Bülteni, vol. 55, no. 1, pp. 1–17, 2012.
16. [16] Aydın, Y., Işıkdağ, Ü., Bekdaş, G., Nigdeli, S. M., & Geem, Z. W. (2023). Use of machine learning techniques in soil classification. Sustainability, 15(3), 2374. https://doi.org/10.3390/su15032374