Influence of initiation system on blast-induced ground vibration using random forest algorithm, artificial neural network, and scaled distance analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Explosives are used as a source of energy to break the rock mass.Majority of explosive energy is lost in the form of ground vibrations, noise, air blasts, etc. Blast-induced ground vibration is influenced by many parameters such as rock mass, explosive characteristics, blast design etc.The prediction of blast-induced ground vibration using regression analysis sometimes becomes too conservative leading difficulties in operating the mine efficiently and safely.Scaled distance approach to vibration prediction is still a very reliable predicting approach, but there are other alternative approaches which produce close results with a high value of correlation coefficient.There are modern tools for analysis and prediction which in many types of research proved to performed with more accuracy.ANN (Artificial Neural Network) is one which in fact is proved by many researchers in their papers to be an excellent prediction method of vibrations.Another method used is an ensemble learning method for classification, regression, and other tasks, that operate by constructing a multitude of decision trees at training time and outputting the class i.e.Random forest method.In this paper, it has been tried to predict the peak particle velocities for blasts at varying distances with different initiation system using Random forest, ANN, and scaled distance regression analysis approach.The correlation coefficients for each approach for different initiation system is obtained, higher values of correlation coefficients are obtained with increase in accuracy of initiation systems due to increase in actual charge per delay during blasting.Also, it has found that the prediction is more accurate while using ANN along with digital detonators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle