Cave mine pillar stability analysis using machine learning
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
The large scale of cave mines leads to many challenges, including operational logistics and geomechanics design. In current practice, pillar stability assessment relies almost exclusively on stress analysis. However, stability is also affected by other factors including those related to operational aspects of the mining method, the effects of which are difficult to account for during the design stages. In this paper we present a case study of the application of a machine learning approach to evaluate the influence of these operational factors on pillar stability at the Chuquicamata underground cave mine in northern Chile. Due to the likely multi-factorial damage process leading to collapses and considering the different pillar conditions, a tree-based machine learning method was used and analysed to improve the understanding of the relative importance of the various contributing factors. Unlike stress analysis methods, it does not require any a priori knowledge of failure mechanisms, nor the calibration of associated controlling parameters. The proposed random forest model predicted pillar collapses with 80% accuracy despite limited samples to model from. The main contributing factors to collapses were found to be related to available pillar volume, cave front geometry, and time under abutment stress conditions. The effects and interactions of such factors were also studied, showing that careful and improved control over operational conditions can significantly reduce the likelihood of pillar collapses. These conclusions could not have been obtained from stress analysis alone, illustrating the complementary nature of conventional stress analysis and machine learning approaches.
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