Résumé:
Abstract
This study proposes an indirect approach for estimating the California Bearing Ratio (CBR)
using geotechnical parameters and machine learning, based on soil samples from the Tebessa
region. The methodology consists of three phases. First, soil samples were classified using
standard geotechnical properties. Second, Principal Component Analysis (PCA) was applied
to identify the most influential variables affecting CBR which are finers, plasticity index (PI),
carbonates content (CA), and dry unit weight (?d). A multiple linear regression model
developed from these variables achieved an R² of 78%. In the third phase, an Artificial Neural
Network (ANN) was implemented, improving prediction performance with an R² of 94% and
lower MSE, RMSE, and MAE values. A simplified linear formula using the same variables,
with Python program also produced a strong R² of 91%. These results demonstrate the
potential of combining statistical analysis and machine learning for efficient and accurate
CBR prediction.
Résumé
Cette étude propose une méthode d’estimation indirecte du coefficient de portance californien
(CBR) à partir des paramètres géotechniques, par les méthodes statistiques et par
apprentissage automatique, basée sur des échantillons de sol provenant de la région de
Tébessa. La méthodologie se compose de trois phases. Premièrement, les échantillons de sol
ont été classés selon des propriétés géotechniques standard. Deuxièmement, une analyse en
composantes principales (ACP) a été appliquée afin d’identifier les variables les plus
influentes sur le CBR, à savoir le passant, l’indice de plasticité (IP), la teneur des carbonates
(CA) et le poids volumique sec (?d). Un modèle de régression linéaire multiple développé à
partir de ces variables a atteint un coefficient de détermination (R²) de 78 %. Dans la
troisième phase, un réseau de neurones artificiels (RNA) a été mis en œuvre, améliorant la
performance des prédictions avec un R² de 94 % ainsi que des valeurs plus faibles de MSE,
RMSE et MAE. Une formule linéaire simplifiée utilisant les mêmes variables, avec le
programme Python, a donné un R² de 91 %. Ces résultats démontrent le potentiel de la
combinaison de l’analyse statistique et de l’apprentissage automatique pour une estimation
efficace et précise du CBR.
