Machine Learning and Underground Geomechanics – data needs, algorithm development, uncertainty, and engineering verification
Notice bibliographique
Résumé
Machine learning algorithms (MLAs) are emerging as a powerful tool for forecasting complex and nuanced rock mass behaviour, particularly when large, multivariate datasets are available. In engineering practice, it is often difficult for geomechanical professionals to investigate all available data in detail, and simplifications are necessary to streamline the engineering design process. An MLA is capable of processing large volumes of data quickly and may uncover relationships that are not immediately evident when manually processing data. This research compares two algorithms developed for two mines representing end member behaviours of rock failure mechanisms: squeezing ground with high radial convergence, and spalling ground with high in situ stresses and seismicity. For the squeezing ground case study, a Convolutional Neural Network is used to forecast the yield of the tunnel liner elements using tunnel mapping images as the input. For the high stress case study, a Long Short Term Memory network is used to forecast the in-situ stresses that takes time series microseismic events and geomechanical properties as inputs. The two case studies are used to compare input data requirements and pre-processing techniques. Ensemble modelling techniques used to quantify MLA uncertainty for both case studies are presented. The development of the two MLAs is discussed in terms of their complexity, generalizability, performance evaluation, verification, and practical applications to underground rock engineering. Finally, best practices for MLA development are proposed based on the two case studies to ensure model interpretability and use in engineering applications.
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 | 0,009 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».