Klassifisering av jordarter i Norge ved hjelp av maskinlæring basert på CPTu-data.
Bachelor thesis

Permanent lenke
https://hdl.handle.net/11250/3139081Utgivelsesdato
2024Metadata
Vis full innførselSamlinger
Sammendrag
Denne bacheloroppgaven utforsker om maskinlæringsalgoritmer kan forbedre klassifiseringen av jordarter i Norge, ved bruk av CPTu-data. Studien, på oppdrag fra Statens vegvesen, tester tre maskinlæringsmodeller: Random Forest, K-Nearest Neighbors, Gradient Boosted Trees og Hidden Markov Model, på et datasett med CPTu-data og tilhørende laboratorieverifiserte jordartsklassifiseringer.Utfordringer knyttet til begrenset datamangfold og reduksjon av jordartstyper ble identifisert. Oppgaven konkluderer med at maskinlæring har stort potensial for å forbedre nøyaktigheten i jordartsklassifisering, men understreker behovet for videre forskning for å utvikle mer robuste modeller. Soil Classification in Norway using Machine Learning based on CPTu Data. This bachelor thesis explores the potential of machine learning algorithms to improve soil classification in Norway using CPTu data. Commissioned by the Norwegian Public Roads Administration, the study evaluates three models: Random Forest, K-Nearest Neighbors, Gradient Boosted Trees and Hidden Markov Model, trained on CPTu data with verified soil classifications.Challenges due to limited data diversity and reduction in soil types were noted. The thesis concludes that machine learning offers considerable potential to enhance soil classification accuracy, but emphasizes the need for further research to develop more robust models.