A Comparison of Multiple Machine Learning Algorithms to Predict Whole-Body Vibration Exposure of Dumper Operators in Iron Ore Mines in India
Notice bibliographique
Résumé
Background: This study deals with some factors that influence the exposure of whole-body vibration (WBV) of dumper operators in surface mines. The study also highlights the approach to improve the multivariate linear analysis outcomes when collinearity exists between certain factor pairs. Material and Methods: A total number of 130 vibration readings was taken from two adjacent surface iron ore mines. The frequency-weighted RMS acceleration was used for the WBV exposure assessment of the dumper operators. The factors considered in this study are age, weight, seat backrest height, awkward posture, the machine age, load tonnage, dumper speed and haul road condition. Four machine learning models were explored through the empirical training-testing approach. Results: The bootstrap linear regression model was found to be the best model based on performance and predictability when compared to multiple linear regression, LASSO regression, and decision tree. Results revealed that multiple factors influence WBV exposure. The significant factors are: weight of operators (regression coefficient β=-0.005, p<0.001), awkward posture (β=0.033, p<0.001), load tonnage (β=-0.026, p<0.05), dumper speed (β=0.008, p<0.001) and poor haul road condition (β=0.015, p<0.001). Conclusion: The bootstrap linear regression model produced efficient results for the dataset which was characterized by collinearity. WBV exposure is multifactorial. Regular monitoring of WBV exposure and corrective actions through appropriate prevention programs including the ergonomic design of the seat would increase the health and safety of operators.
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 | 0,004 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».