Machine Learning-Based Classification of Rock Bursts in an Active Coal Mine Dominated by Non-Destructive Tremors
Notice bibliographique
Résumé
Rock bursts are dynamic phenomena in underground openings, causing damage to support and infrastructure, and are one of the main natural hazards in underground coal mines. The prediction of rock bursts is important for improving safety in mine openings. The hazard of rock bursts is correlated with seismic activity, but rock bursts are rare compared to non-destructive tremors. The five machine learning classifiers (multilayer perceptron, adaptive boosting, gradient boosting, K-nearest neighbors, and Gaussian naïve Bayes), along with an ensemble hard-voting classifier composed of these classifiers, were used to recognize rock bursts among the dominant non-destructive tremors. Machine learning models were trained and tested on ten sets of randomly selected data obtained from one of the active hard coal mines in the Upper Silesian Coal Basin, Poland. For each of the 627 cases in the database, 15 features representing geological, geomechanical, mining, and technical conditions in the opening as well as tremor energy and correlated peak particle velocity were determined. Geological and geomechanical parameters of the coal seams and surrounding rocks were aggregated into a single GEO index. The share of rock bursts in the database was only about 8.5%; therefore, the ADASYN balancing method, which addresses imbalanced datasets, was used. The ensemble hard-voting classifier most effectively classified rock bursts, with an average recall of 0.74.
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 | 0,000 |
| 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 ».