Influence of initiation system on blast-induced ground vibration using random forest algorithm, artificial neural network, and scaled distance analysis
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».