Predicting open stope performance at an octree resolution using multivariate models
Notice bibliographique
Résumé
Open stoping has become a popular mining method in hard rock mines, not only due to the safety of the method as a non-entry approach, but also because of the high extraction rate and low costs. At mine sites, stope performance is evaluated by calculating stope overbreak using the stability chart. However, limitations of the stability chart regarding the precision of the predictions, non-consideration of factors such as the influence of blasting, and the exclusion of underbreak have led to non-optimal designs. The capabilities of today's computers have increased the amount of data being collected and the power of models being built. This article presents a step towards a new stope design approach where stope overbreak and underbreak are measured and georeferenced using octrees at an approximately cubic metre resolution and predicted using multivariate statistical models (partial least square, linear discriminant analysis, and random forest). Results show that overbreak and underbreak location along the design surface and their magnitude are predicted with good precision using a random forest model. These predictions are used to build the expected geometry of the open stope. The resolution of the data and the use of multivariate analysis has enabled the prediction of variation in stope performance along the design surface, going well beyond the simple qualitative per stope face prediction provided by a traditional stability chart approach. Keywords: stope design, stope reconciliation, overbreak, underbreak, multivariate, prediction, random forest.
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 | 0,001 | 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 | 0,001 |
| 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 ».