Can new technologies shake the empirical foundations of rock engineering?
Notice bibliographique
Résumé
The past decade has witnessed an increasing interest in applications of machine learning (ML) to solve mining and geotechnical problems. This is largely due to an increased use of high-level programming languages, development of user-friendly and open source ML libraries, improved computational power, and increased cloud storage capacity to handle large and complex data sets. The benefit of incorporating ML in rock engineering design are apparent, including the reduction in the time required to sort and characterise field data and the capability to find mathematical correlations between overly complex sets of input data. However, when applied to geotechnical engineering, the question arises as to whether ML can truly provide objective results. In geotechnical engineering, where the medium considered is typically heterogenous and only limited information is spatially available, experience and engineering judgement dominate the early stage of the design process. However, experience and engineering judgement alone cannot reduce data uncertainty. It is also true that the inherent variability of natural materials cannot be truly captured unless sufficient field data is collected in an objective manner. This paper investigates the readiness of the technical community to integrate ML in rock engineering design at this time. To fully realise the potential and benefits of ML tools, the technical community must be willing to accept a paradigm shift in the data collection process and, if required, abandon empirical systems that are considered ‘industry standards’ by virtue of being commonly accepted despite acknowledging their limitations.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».