Description du projet
Développer l’ingénierie géotechnique avec l’apprentissage automatique
L’ingénierie géotechnique est confrontée à des défis majeurs liés au changement climatique et à la nécessité d’adopter des pratiques de construction durables. Les ingénieurs doivent travailler avec des sols dont les propriétés varient considérablement, ce qui complique la construction et la rend souvent imprévisible. Les méthodes traditionnelles qui garantissent des conceptions sûres et efficaces sont lentes et consomment de grandes quantités de matériaux, en particulier du béton, dont l’empreinte carbone est élevée. L’augmentation des besoins en infrastructures exige de nouvelles méthodes qui augmenteront l’efficacité de la construction plus efficace et la rendront plus respectueuse de l’environnement. Le projet GRID, financé par l’UE, entend intégrer l’apprentissage automatique à l’ingénierie géotechnique afin de résoudre ces problèmes. En améliorant les calculs, en tenant compte de la variabilité des sols et en optimisant les conceptions, GRID entend réduire l’utilisation de matériaux, diminuer les émissions et accroître la sécurité et la résilience de la construction.
Objectif
Our proposed research initiative seeks to propel machine learning into the forefront of geotechnical engineering, with a vision to address critical challenges and revolutionise the field for the betterment of society. The overarching goals of our project align with the need to confront uncertainty, combat climate change through zero carbon emission strategies, address soil parameter heterogeneity, expedite finite element (FE) calculations e.g. for reliability analyses, and enhance design efficiency to reduce material consumption, particularly in the context of concrete. By undertaking this multidimensional approach, our research aims not only to apply machine learning in geotechnical engineering but to fundamentally transform the field, ushering in a new era of efficiency, sustainability and resilience. Through collaboration and innovation, we aspire to make machine learning an integral and indispensable tool for addressing the complex challenges faced by geotechnical practitioners in the 21st century.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. La classification de ce projet a été validée par l’équipe qui en a la charge.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. La classification de ce projet a été validée par l’équipe qui en a la charge.
Mots‑clés
Programme(s)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2023-SE-01
Voir d’autres projets de cet appelRégime de financement
HORIZON-TMA-MSCA-SE - HORIZON TMA MSCA Staff ExchangesCoordinateur
1180 Wien
Autriche