Developing spatially constrained Discrete Fracture Network (DFN) models for a stochastic pit slope stability analysis
Notice bibliographique
Résumé
In this paper, data from an open pit mine in Western Africa were used to generate spatially constrained large-scale DFN models. Structural data from geotechnical boreholes and borehole tele-viewers, drilled and logged in the pit area, were used to develop stochastic 3D block models of volumetric fracture intensity (P 32 ) using Sequential Gaussian Simulation. A geocellular 3D DFN model with finite volume of cellular grid elements were then created and spatially constrained based on the 3D block models of P 32 . This approach ensures that the fracture centers in the DFN generation are under the influence of cellular P 32 values at corresponding locations, estimated based on the 3D block model of volumetric fracture intensity. The joint orientations were bootstrapped based on the joint orientations observed along the drillholes. The geocellular DFN models were further calibrated using joint trace mapping data, collected across the pit area using a drone-based aerial photogrammetry. The resulting DFN models are expected to accurately reflect the spatial variation of fracture geometry and intensity along the pit area. Finally, 2D cross sections of the generated DFN models were incorporated into 2D finite element models of the pit slope for a stochastic slope stability analysis. The results of the stochastic modeling were compared to a simplistic approach assuming an average rock mass structural condition.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».