Tonböden können aufgrund von Änderungen des Feuchtigkeitsgehalts eine übermäßige Quellung aufweisen. Die von ihm ausgehende Tonquellung und der Druck gefährden die langfristige Stabilität von Bauwerken und Fundamenten und damit die Korrektheit Das Verständnis und die Vorhersage von Tonquelleigenschaften ist bei vielen geotechnischen Projekten von entscheidender Bedeutung. Wir Präsentieren Sie Feed-Forward (FF)- und Cascade-Forward (CF)-Netzwerkmodelle, die mit Levenberg-Marquardt trainiert wurden (LM) und Bayes'sche Optimierung (BR) Algorithmen zur Bestimmung des Quellpotentials natürlicher und künstlicher Tonböden. Der zusammengestellte Datensatz umfasst verschiedene Arten von Böden, die eine breite Quellspanne abdecken Potential und Quelldruck im Bereich von 0,01 bis 168,6 % bzw. 25 bis 1297,82 kPa. Als Eingangsparameter des Netzes wurden Aktivität, Feuchtegehalt, Trockengewicht, Fließgrenze, Plastizitätsgrenze, Plastizitätsindex, Kiesgehalt, Sandgehalt, Schluffgehalt und Tongehalt (C) berücksichtigt Modelle, da diese üblicherweise während der experimentellen Untersuchung des Bodenverhaltens gemessen werden. Das Das entwickelte Modell zeigte wesentliche Verbesserungen gegenüber früheren empirischen und semiempirischen Korrelationen bei der Bestimmung des Quellpotentials sowohl natürlicher als auch künstlicher Böden sowie der Quellung Druck. Wir verwendeten Feed-Forward (FFNN) und Cascade-Forward Neural Network (CFNN)-Modelle, mit denen trainiert wurde Bayesianische Regularisierung (BR) und Levenberg-Marquardt (LM)-Algorithmen zur Bestimmung des Quellpotentials und Quelldrucks tonhaltiger Böden über einen weiten Bereich von Bedingungen. Ein ausreichend großer Datensatz mit aus der Literatur gesammelten experimentellen Daten zum freien Quellen wurden verwendet, um das Netzwerk zu entwickeln Modelle. Außerdem wurden die vorhergesagten Werte mit verschiedenen empirischen Korrelationen verglichen. Das FFNN LM erzielte für beide Ausgabeparameter die höchste Gesamtgenauigkeit unter allen Netzmodellen da seine Vorhersagen eine akzeptable Übereinstimmung mit den experimentellen Daten zeigten. Das Modell übertrifft die getesteten empirischen Gleichungen zur Vorhersage der Quelleigenschaften von Tonboden über eine Spanne von Bedingungen für die das Modell trainiert wurde.