Accurate measurement techniques and prediction approaches for the in-situ rock stress
Notice bibliographique
Résumé
The precise calculation and evaluation of the in-situ rock stress tensor is a crucial factor in addressing the major challenges related to subsurface engineering applications and earth science research. To improve the accuracy of in-situ stress measurement and prediction, an improved overcoring technique involving a measurement circuit, temperature compensation, and calculation method is presented for accurately measuring the in-situ rock stress tensor. Furthermore, an embedded grey BP neural network (GM-BPNN) model is established for predicting in-situ rock stress values. The results indicate that the improved overcoring technique has significantly improved the stress measurement accuracy, and a large number of valuable stress data obtained from many mines have proved the testing performance of this technique. Moreover, the mean relative errors of the prediction results of GM(0, 1) for the three principal stresses all reach 6-30%, and the accuracy of the model fails to meet the requirements. The average relative errors of the prediction results of the BPNN model are all less than 10%, and the model accuracy meets the requirements and has sufficient credibility. Compared with the GM and BPNN models, the embedded GM-BPNN model produces the best results, with mean relative errors of 0.0001-4.8338%. The embedded GM-BPNN model fully utilizes the characteristics of grey theory and BP neural network, which require a small sample size, weaken the randomness of the original data, and gradually approach the accuracy of the model, making it particularly suitable for situations with limited stress data.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».