Garson Mine Long Short-Term Memory Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Digitalization of underground excavations has resulted in increasing access to large amounts of data for rock engineering professionals. Data-driven approaches, such as machine learning algorithms, present an opportunity to aid data interpretation. At Garson Mine, a 112-year-old nickel mine near Sudbury, Canada, the microseismic database is used to manually calibrate a complex mine-scale finite difference model, which is in turn used to assess seismic risk to inform mine operations and scheduling. The manual model calibration is tedious and time consuming. This research proposes a Long-Short Term Memory (LSTM) network to assist in finite difference model calibration by forecasting the stresses in the model. The LSTM is trained using the microseismic database, the geology and geomechanical parameters from the existing FLAC3D model. Two LSTM networks are developed and compared for Garson Mine: one that predicts the principal stresses and another that predicts the six-component stress tensor at each zone centroid in the FLAC3D model. Various LSTM network hyperparameters were analyzed to determine the optimal architecture for the two sets of targets, including: input encoding and pre-processing, training solver, network layer architecture, and cost function. Architectures were chosen based on three performance metrics: the corrected Akaike Information Criterion (AICc), coefficient of determination (R2), and percent capture (%C). This study found that similar LSTM network architectures are able to adequately predict both principal stresses and the complete stress tensor, however, the ensemble variance was larger when predicting the complete stress tensor. When predicting the principal stresses, AICc was -59.62, R2 was 0.996, and %C was 97%, and when predicting the six-component stress tensor AICc was -45.50, R2 was 0.997, and %C was 80%. This research represents progress towards continuous, automated calibration of complex numerical models, whereby earlier and more accurate forecasts of changes in stress conditions will allow earlier intervention and reaction to challenging stress environments, leading to increased safety of excavations and mine personnel.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,002 |
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 découle