An Optimized Deep Neural Network for Rockburst Damage Potential Modelling
Notice bibliographique
Résumé
ABSTRACT Managing ground prone to rockburst is challenging, especially in seismically active underground mines. Over the past few decades, numerous studies have been conducted on predicting rockburst damage potential. However, in most cases, only fair model performance was achieved due to the complex nature of rockburst as a seismic event and the non-linearity of data. To overcome these limitations, this paper presents a more reliable model for predicting rockburst damage potential (RDP). An Artificial Neural Network was established, and its parameters were optimized using the Adam optimizer. Rockburst data consisting of 254 case histories were compiled and used to model the RDP scale. The dataset was divided into two parts: a training set, which accounted for 80% of the dataset, and a separate test set, which accounted for the remaining 20%. Cross-validation technique was applied to the training set to avoid overfitting. The input parameters for the model included the capacity of the ground support system, stress conditions, presence of geological structure, excavation span, and peak particle velocity. Several performance indices were used to evaluate the model, and the overall results indicate good performance. In conclusion, this study could help engineers adequately assess rockburst damage in seismically active mines. INTRODUCTION Rockburst refers to the damage that occurs on rock excavation surfaces as a result of a seismic event (Ortlepp and Stacey, 1994). It is characterized by a sudden release of strain energy stored within a specific volume of rock (Kaiser and Cai, 2012). Rockbursts are known for their unpredictable and violent nature, representing a significant threat to workers’ safety, mining productivity, and operational costs. Rockbursts and mine seismicity are responsible for a large number of accidents and casualties in many parts of the world every year, as reported in Europe (Ptáček, 2017; Heib, 2018), China (Cai, 2016; Jian-Po Liu, 2018; Linming Dou, 2018; Xia-Ting Feng, 2018), India (Panthi, 2018), South Africa (Aswegen, 2018), and Canada (Leveille et al., 2017; Simser, 2019). Furthermore, with the depletion of near-surface mineral resources caused by the rising demand for minerals, there is a shift towards exploiting deeper deposits, often in high-stress and unfavorable geo-engineering conditions. This results in an increased likelihood of rockburst incidents and makes mining-induced seismic activity a significant concern for the mining sector. It is, thus, evident that the ability to forecast and manage rockburst occurrences is becoming increasingly important.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».