Prediction of the mechanical properties of cemented paste backfill using artificial intelligence approaches
Notice bibliographique
Résumé
In the digital era, the mining industry benefits from powerful tools that can help to optimise underground backfilling operations and to increase overall safety. Indeed, with current progress in artificial intelligence (AI), machine learning (ML) creates state-of-the-art techniques in the mining sector that could significantly improve the productivity and efficiency of mining operations. The purpose of this study is to apply ML algorithms, including the gradient boosting regressor (GBR), the XGBoost regressor (XGBR), and the support vector regressor (SVR) to predict the uniaxial compressive strength (UCS) of cemented paste backfill (CPB). A total of 1,587 UCS data were used to train the ML algorithms, considering different variables such as the types of tailings, binder and their proportion, solid mass concentration, slump height, water quality, and curing time. The raw data were pre-processed before training the models, as well as their hyperparameters tuning was made by a random search method followed by 4-fold cross-validation. The prediction results show that the GBR algorithm is the most powerful one which has a coefficient of correlation (R) between predicted and experimental values equal to 0.99 and a root-mean-square error (RMSE) equal to 0.16. This prediction is validated through new-lab prepared CPB specimens.
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 | 0,001 |
| 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 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 ».