Linear or polynomial regression and artificial neural networks are often adopted to obtain correlation models between various attributes in engineering fields. Although these are straightforward, they may not perform well for datasets that involve complex correlations among multiple attributes, and overfitting can occur when high-order polynomials are used to match the data from one scenario but fail to produce accurate predictions elsewhere. This paper presents a Deep Neural Networks (DNN) based framework for obtaining complex correlations in engineering metrics and provides guidelines to assess data adequacy, remove outliers and to identify and resolve overfitting problems. Moreover, a clear and concise set of procedures for tuning hyperparameters of DNN is discussed. As an illustration, a DNN model was trained to predict the undrained shear strength of clays based on liquid limit, plastic limit, water content, vertical effective stress, and preconsolidation stress. This analysis is conducted with 1101 samples gathered from different sites all over the world. Prediction of soil strengths often involved significant uncertainties due to the natural variations in earth materials and site conditions, contributing to complex relationships among various material properties. Our results show that the proposed framework performs better than conventional correlation models established from previous studies. The developed framework and accompanying Python script can be readily applied to the prediction of clay properties at other sites, and also to other types of engineering metrics.

在工程领域中，通常采用线性或多项式回归和人工神经网络来获得各种属性之间的相关模型。尽管这些方法很简单，但是它们对于涉及多个属性之间复杂关系的数据集可能效果不佳，当使用高阶多项式来匹配一种情况下的数据但无法在其他位置产生准确的预测时，可能会发生过度拟合。本文介绍了一种基于深度神经网络（DNN）的框架，用于获取工程指标中的复杂相关性，并提供了评估数据充足性，消除异常值以及识别和解决过度拟合问题的指南。此外，讨论了用于调整DNN超参数的一组清晰简洁的过程。举例来说，训练了DNN模型，以基于液体极限，塑性极限，水含量，垂直有效应力和预固结应力来预测粘土的不排水剪切强度。这项分析是从全球不同地点收集的1101个样本进行的。由于土层材料和工地条件的自然变化，对土壤强度的预测通常涉及很大的不确定性，从而导致各种材料特性之间的复杂关系。我们的结果表明，提出的框架比以前的研究建立的传统相关模型具有更好的性能。开发的框架和随附的Python脚本可轻松应用于其他站点的粘土特性预测，以及其他类型的工程指标。含水量，垂直有效应力和预固结应力。这项分析是从全球不同地点收集的1101个样本进行的。由于土层材料和工地条件的自然变化，对土壤强度的预测通常涉及很大的不确定性，从而导致各种材料特性之间的复杂关系。我们的结果表明，提出的框架比以前的研究建立的常规相关模型表现更好。开发的框架和随附的Python脚本可以轻松地应用于其他站点的粘土特性预测，也可以应用于其他类型的工程指标。含水量，垂直有效应力和预固结应力。这项分析是从全球不同地点收集的1101个样本进行的。由于土层材料和工地条件的自然变化，对土壤强度的预测通常涉及很大的不确定性，从而导致各种材料特性之间的复杂关系。我们的结果表明，提出的框架比以前的研究建立的常规相关模型表现更好。开发的框架和随附的Python脚本可以轻松地应用于其他站点的粘土特性预测，也可以应用于其他类型的工程指标。由于土层材料和工地条件的自然变化，对土壤强度的预测通常涉及很大的不确定性，从而导致各种材料特性之间的复杂关系。我们的结果表明，提出的框架比以前的研究建立的常规相关模型表现更好。开发的框架和随附的Python脚本可以轻松地应用于其他站点的粘土特性预测，也可以应用于其他类型的工程指标。由于土层材料和工地条件的自然变化，对土壤强度的预测通常涉及很大的不确定性，从而导致各种材料特性之间的复杂关系。我们的结果表明，提出的框架比以前的研究建立的常规相关模型表现更好。开发的框架和随附的Python脚本可以轻松地应用于其他站点的粘土特性预测，也可以应用于其他类型的工程指标。我们的结果表明，提出的框架比以前的研究建立的常规相关模型表现更好。开发的框架和随附的Python脚本可以轻松地应用于其他站点的粘土特性预测，也可以应用于其他类型的工程指标。我们的结果表明，提出的框架比以前的研究建立的传统相关模型具有更好的性能。开发的框架和随附的Python脚本可以轻松地应用于其他站点的粘土特性预测，也可以应用于其他类型的工程指标。