Modeling of temperature dynamics using machine learning for the identification of the freezing front

RÉSUMÉ: La température du sol influence les processus chimiques, physiques et biologiques qui régissent le comportement géotechnique. Cette étude utilise un réseau de neurones artificiels pour prédire les profils de température du sol à partir de variables climatiques et de températures du sol à différentes profondeurs, dans le but d’identifier le front de gel. Les données provenant de 4 cellules situées au centre de recherche routière du Minnesota ont été analysées à l’aide de trois modèles (A, B et C). Le modèle A utilise uniquement les données climatiques, tandis que le modèle B intègre les températures du sol à des profondeurs et intervalles de temps précédents. Le modèle C inclut les températures du sol à la profondeur prédite selon différents intervalles (de 30 minutes à 30 jours). Les résultats montrent que l’ajout de données de température du sol améliore nettement la précision. À 183 cm, l’erreur quadratique moyenne chute de 20,6 (modèle A) à 0,61 °C² (modèle B). Le modèle C montre une augmentation de l’erreur avec des intervalles plus longs. Les prédictions inter-cellules confirment la bonne généralisation des modèles.

ABSTRACT: Soil temperature influences chemical, physical, and biological processes, which govern geotechnical behavior. This study applies an artificial neural network to predict soil temperature profiles using climatic variables and soil temperatures at various depths, aiming to identify the freezing front. Data from 4 pavement experimental cells located at the Minnesota road research facility were analyzed using three models (A, B, and C). Model A uses only climatic data, while Model B incorporates soil temperatures at preceding depths and time intervals. Model C includes soil temperatures at the predicted depth across multiple time intervals (half-hourly to 30 days). Results show that adding soil temperature data significantly improves prediction accuracy across depths. At 183 cm, the mean square error dropped from 20.6 (Model A) to 0.61 °C² (Model B), and freezing front location accuracy improved by at least 3.9%. Model C revealed that longer time intervals led to increased error. Inter-cell predictions carried out showed that the models developed have good generalization.