Geotechnical Resilience through Intelligent Design

Informazioni relative al progetto

GRID

ID dell’accordo di sovvenzione: 101182689

DOI

10.3030/101182689

Data della firma CE 4 Ottobre 2024

Data di avvio 1 Novembre 2024

Data di completamento 31 Ottobre 2028

Finanziato da

• Marie Skłodowska-Curie Actions (MSCA)

Costo totale

Nessun dato

Contributo UE

€ 1 242 000,00

Coordinato da

UNIVERSITAET FUER BODENKULTUR WIEN
Austria

CORDIS fornisce collegamenti ai risultati finali pubblici e alle pubblicazioni dei progetti ORIZZONTE.

I link ai risultati e alle pubblicazioni dei progetti del 7° PQ, così come i link ad alcuni tipi di risultati specifici come dataset e software, sono recuperati dinamicamente da .OpenAIRE .

Risultati finali

Data sets, microdata, etc (1)

Repository of bechmark monitoring and testing data sets

Digital repository of standardised benchmark geotechnical monitoring and testing data sets for ML model development and calibration with description of the development and application of innovative geotechnical monitoring technologies for big data acquisition

Documents, reports (1)

Guideline for integration of ML in geotechnical engineering

Guideline for the application and integration of ML in geotechnical engineering projects

Data Management Plan (1)

Data Management Plan

Pubblicazioni

Conference proceedings (4)

Machine learning predictions on an extensive geotechnical dataset of laboratory tests in Austria

Autori: Enrico Soranzo
Editore: Research Publishing, Singapore
DOI: 10.3850/GRF-25280825_ISGSR-166-P377-CD

MACHINE LEARNING PREDICTION OF SOIL PARTICLE SIZE DISTRIBUTION FROM SMARTPHONE IMAGES

Autori: Enrico Soranzo
Editore: FOMLIG2025

AI-assisted student grading system in geotechnics

Autori: Soranzo, E.
Editore: ÖGG, Austrian Society for Geomechanics
DOI: 10.53243/ICSMGE2026-809

An Adaptive Physics-informed Deep Operator Neural Network for 1-D Unsaturated Infiltration Model Coupled with Soil Deformation

Autori: Biao Yuan, Xiaohui Chen
Editore: Research Publishing, Singapore
DOI: 10.3850/GRF-25280825_ISGSR-081-P054-CD

Other (1)

Predicting Soil Grain Size Distributions from Images

Autori: Lukas Leibold, Enrico Soranzo
Pubblicato in: Kaggle
Editore: Kaggle

Peer reviewed articles (7)

Revisiting strain localization from the view of structured inhomogeneity

Autori: Zhihui Wang, Roberto Cudmani
Pubblicato in: Computers and Geotechnics, Numero 190, 2025, ISSN 0266-352X
Editore: Elsevier BV
DOI: 10.1016/J.COMPGEO.2025.107694

Predictive modeling of pore pressure build-up in vibratory pile driving through machine learning

Autori: Sepideh Fadaei, Amir Hamidi, Enrico Soranzo
Pubblicato in: Geoscience Frontiers, 2025, ISSN 1674-9871
Editore: Elsevier BV
DOI: 10.1016/J.GSF.2025.102209

Large language models for automated grading in geotechnics

Autori: Enrico Soranzo
Pubblicato in: Machine Learning and Data Science in Geotechnics, 2025, ISSN 3029-0414
Editore: Emerald
DOI: 10.1108/MLAG-01-2025-0001

Comprehensive Dataset of Dynamic Probing Heavy Test Results for Subsurface Characterization

Autori: E. Soranzo
Pubblicato in: Data in Brief, 2025, ISSN 2352-3409
Editore: Elsevier BV
DOI: 10.1016/j.dib.2025.111391

Convolutional neural network prediction of the particle size distribution of soil from close-range images

Autori: Enrico Soranzo, Carlotta Guardiani, Wei Wu
Pubblicato in: Soils and Foundations, Numero 65, 2025, ISSN 0038-0806
Editore: Elsevier BV
DOI: 10.1016/j.sandf.2025.101575

Soil improvement with laponite: effects on soil-structure interaction in liquefiable sands

Autori: Jinghua Zhang, Zhihua Yang, Emilio Bilotta, Lucia Mele, Qing Sun, Haitao Yu, Yong Yuan
Pubblicato in: Computers and Geotechnics, Numero 185, 2025, ISSN 0266-352X
Editore: Elsevier BV
DOI: 10.1016/J.COMPGEO.2025.107360

Dataset of close-range soil images of soils and corresponding particle size distributions

Autori: E. Soranzo
Pubblicato in: Data in Brief, 2025, ISSN 2352-3409
Editore: Elsevier BV
DOI: 10.1016/J.DIB.2025.111631