Introduction and Applications of Machine Learning in Geotechnics
-
20% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 153.99
-
60 148 Ft (57 284 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 20% (cc. 12 030 Ft off)
- Kedvezményes ár 48 119 Ft (45 827 Ft + 5% áfa)
- A kedvezmény érvényes eddig: 2026. június 30.
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
60 148 Ft
Beszerezhetőség
Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadó Elsevier Science
- Megjelenés dátuma 2026. április 20.
- ISBN 9780443414817
- Kötéstípus Puhakötés
- Terjedelem388 oldal
- Méret 229x152 mm
- Súly 450 g
- Nyelv angol 697
Kategóriák
Hosszú leírás:
Introduction and Applications of Machine Learning in Geotechnics offers a comprehensive exploration of machine learning methodologies and their diverse applications in geotechnical engineering. The book begins with a detailed review of machine learning methods tailored for geotechnical applications, setting the foundation for subsequent chapters. Regression models are utilized to predict shear wave velocities while optimization-based approaches are employed to determine the optimal dimensions of reinforced concrete (RC) retaining walls. The book further explores the identification of gravelly soil through optimized machine learning models and predicts stress-strain responses using data from simple shear tests.
Additionally, it outlines the forecasting of liquefaction events triggered by seismic activities and estimates the uniaxial compressive strength of soil using machine learning techniques. The prediction of vertical effective stress and specific penetration resistance is examined to enhance soil characterization and geotechnical analyses. The authors' provide valuable insights for geotechnical engineers and researchers seeking to leverage advanced computational tools for enhanced geotechnical assessments and design processes.
Tartalomjegyzék:
1. A review of machine learning (ML) methods for geotechnical engineering
2. Explainable artificial intelligence (XAI) in geotechnical engineering
3. Regression models for shear wave velocity prediction
4. Optimization-based approaches to predict the optimal dimensions of reinforced concrete (RC) retaining walls
5. Gravelly soil identification using optimized machine learning models
6. Prediction of stress-strain responses from simple shear tests
7. Predicting liquefaction potential from seismic events
8. Estimation of uniaxial compressive strength of soil
9. Prediction of specific penetration resistance of clayey soils
10. Slope stability prediction using machine learning models
11. Deep learning-based object detection approaches for landslide identification
12. Machine learning approaches for predicting soil swelling behavior
