Vibratory compaction is widely used for improving the bearing capacity and stiffness of earthworks. The quality of a compacted layer is traditionally verified by spot tests, such as the plate load test (PLT), which provide limited spatial coverage. Continuous compaction control (CCC) addresses this limitation by deriving intelligent compaction measurement values (ICMVs) from the roller response. However, the use of CCC for quality assurance is still limited by uncertain correlations between ICMVs and PLT moduli, by incomplete physical interpretation of the roller response, and by the small number of measurements normally available for calibration.

This thesis investigates the reliability of CCC-based quality assurance for vibratory compaction by combining full-scale testing, finite element analysis, and machine learning. Five full-scale trials were conducted at the Dynapac compaction laboratory in Karlskrona on a 1 m thick layer of well-graded gravel. Two single-drum rollers, two PLT plate diameters, and different compaction states were included, and sixteen ICMVs were compared with the deformation modulus from PLTs. A two-dimensional plane-strain finite element model of the roller–soil system was implemented with four constitutive descriptions, ranging from linear elasticity to hypoplasticity with intergranular strain. Finally, six regression algorithms were evaluated on 60 samples in a multioutput framework for estimating 𝐸𝑣1 and 𝐸𝑣2 simultaneously.

The full-scale trials show that mechanics-based ICMVs, in particular the loading-phase vibration modulus, provide the strongest correlation with 𝐸𝑣2. The 600 mm PLT plate gives stronger and less scattered correlations than the 300 mm plate, and the lighter roller gives stronger correlations than the heavier roller. The numerical study shows that hypoplasticity with intergranular strain gives the most consistent description of cyclic densification, stiffness evolution, and loading–unloading response. It also shows that the influence depth depends on the selected response quantity, with density-related criteria giving larger depths than settlement-based criteria. In the simulations, the vibration modulus is more closely related to the final density state than CMV or OMEGA, while normalized void-ratio reduction helps describe the consumed part of the available compaction potential. The machine-learning study shows that curated response characteristics improve the prediction of 𝐸𝑣2 compared with predefined ICMVs. Among the tested algorithms, TabPFN gives the best overall estimates of 𝐸𝑣2, while the multi-output framework also enables the 𝐸𝑣2/𝐸𝑣1 ratio to be estimated. The results demonstrate both the potential and the remaining limitations of CCC-based quality assurance for vibratory compaction.

Vibrationspackning används i stor omfattning för att förbättra bärförmågan och styvheten hos jordkonstruktioner. Kvaliteten hos ett packat lager kontrolleras traditionellt med punktvisa försök, till exempel statiska plattbelastningsförsök (PLT), som ger begränsad yttäckning. Yttäckande packningskontroll (eng. continuous compaction control, CCC) hanterar denna begränsning genom att härleda intelligenta packningsmätvärden (eng. intelligent compaction measurement values, ICMV) från responsen hos en instrumenterad vält. Den praktiska användningen av CCC för kvalitetssäkring begränsas dock fortfarande av osäkra samband mellan ICMV och deformationsmoduler från PLT, av en ofullständig fysikalisk tolkning av vältresponsen och av det begränsade antal mätningar som normalt finns tillgängliga för kalibrering.

I denna avhandling undersöks tillförlitligheten hos CCC-baserad kvalitetssäkring av vibrationspackning genom en kombination av fullskaleförsök, finita elementanalys och maskininlärning. Fem fullskaleförsök utfördes i Dynapacs packningslaboratorium i Karlskrona på ett 1 m tjockt lager av välgraderat grus. Två enkelvalsvältar, två plattdiametrar för PLT och olika packningstillstånd undersöktes, och sexton ICMV jämfördes med deformationsmodulen från PLT. En tvådimensionell finita elementmodell av systemet vält–jord under plant töjningstillstånd implementerades med fyra konstitutiva modeller, från linjär elasticitet till hypoplasticitet med intergranulär töjning. Slutligen utvärderades sex regressionsalgoritmer på 60 prover i en flermålsformulering för samtidig skattning av 𝐸𝑣1 och 𝐸𝑣2.

Fullskaleförsöken visar att mekanikbaserade ICMV, särskilt vibrationsmodulen under lastfasen, ger starkast korrelation med 𝐸𝑣2. PLT-plattan med 600 mm diameter ger starkare och mindre spridda korrelationer än 300 mm-plattan, och den lättare välten ger starkare korrelationer än den tyngre. Den numeriska studien visar att hypoplasticitet med intergranulär töjning ger den mest konsekventa beskrivningen av cyklisk förtätning, styvhetsutveckling och lastnings–avlastningsrespons. Den visar också att influensdjupet beror på vilken responsstorhet som används, där densitetsrelaterade kriterier ger större djup än kriterier baserade på sättning. I simuleringarna har vibrationsmodulen ett tydligare samband med det slutliga densitetstillståndet än CMV eller OMEGA, medan den normaliserade reduktionen av portalet bidrar till att beskriva den utnyttjade delen av den tillgängliga packningspotentialen. Maskininlärningsstudien visar att utvalda responsegenskaper ger bättre prediktion av 𝐸𝑣2 än fördefinierade ICMV. Bland de testade algoritmerna ger TabPFN de bästa övergripande skattningarna av 𝐸𝑣2, medan multi-output-ramverket också gör det möjligt att uppskatta kvoten 𝐸𝑣2/𝐸𝑣1. Resultaten visar både möjligheten och de kvarstående begränsningarna med CCC-baserad kvalitetssäkring av vibrationspackning.