Performance of Statistical and Intelligent Methods in Estimating Rock Compressive Strength
Notice bibliographique
Résumé
This research was conducted to forecast the uniaxial compressive strength (UCS) of rocks via the random forest, artificial neural network, Gaussian process regression, support vector machine, K-nearest neighbor, adaptive neuro-fuzzy inference system, simple regression, and multiple linear regression approaches. For this purpose, geo-mechanical and petrographic characteristics of sedimentary rocks in southern Iran were measured. The effect of petrography on geo-mechanical characteristics was assessed. The carbonate and sandstone samples were classified as mudstone to grainstone and calc-litharenite, respectively. Due to the shallow depth of the studied mines and the low amount of quartz minerals in the samples, the rock bursting phenomenon does not occur in these mines. To develop UCS predictor models, porosity, point load index, water absorption, P-wave velocity, and density were considered as inputs. Using variance accounted for, mean absolute percentage error, root-mean-square-error, determination coefficient (R2), and performance index (PI), the efficiency of the methods was evaluated. Analysis of model criteria using multiple linear regression allowed for the development of a user-friendly equation, which proved to have adequate accuracy. All intelligent methods (with R2 > 90%) had excellent accuracy for estimating UCS. The percentage difference of the average of all six intelligent methods with the measured value was equal to +0.28%. By comparing the methods, the accuracy of the support vector machine with radial basis function in predicting UCS was (R2 = 0.99 and PI = 1.92) and outperformed all the other methods investigated.
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 ».