Prediction of the stability of gob‐side entry formation by roof cutting by machine learning‐based models
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
Abstract Gob‐side entry formation by roof cutting is a new technology for no pillar coal mining, which can maximize coal resources and reduce roadway drivage ratio. However, the mechanical behavior of the formed entry is complex while it is crucial to ensure the stability of the entry for mining safety. This paper proposed a machine learning‐based method for predicting the stability of the formed entry, which combined artificial neural network (ANN) with particle swarm optimization (PSO) algorithm or genetic optimization (GO) algorithm. The data set from 75 coal mining faces from 2009 to 2022 was employed to train and test the models. A descriptive variable of dynamic unstable distance was introduced to evaluate the stability state of the formed entry and six other parameters were chosen as influence parameters. The two intelligent models were compared with each other to have a comprehensive assessment. Model assessment indices such as R 2 , mean absolute error, mean absolute percentage error, and root mean square error were used to evaluate the accuracy of the models. The results of both developed models are promising, and the predictive accuracy of the PSO‐ANN model is higher than that of the GO‐ANN model. Through sensitivity analyses, it has been found that the coal seam thickness and roof rock hardness are the most important parameters for influencing entry stability. The developed method provides a practical tool for the prediction of entry stability and the optimization of entry design.
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 | 0,001 | 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 | 0,000 | 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 découle