High Performance Deep Learning GPR Feature Detector Model for Potash Mining
Notice bibliographique
Résumé
Ground Penetrating Radar (GPR) has been an essential nondestructive geophysical tool in Saskatchewan's potash mines for over six decades. This innovative technology, used in conjunction with an active boring machine, facilitates realtime data collection, particularly for imaging the immediate clay seam (414-clay seam) above the mine roof. Its reliability is demonstrated by the accuracy with which the roof beam thickness (mine roof to 414-clay seam) is interpreted in realtime, crucial for making informed safety decisions during mining operations. The imperative for a robust auto-picking algorithm tailored to handle complexities in potash mine GPR data is emphasized. The previously developed algorithm called the Clustered Ratio Derivative (CRD) algorithm, employing unsupervised machine learning for realtime GPR interpretation showcased promising results. However, the CRD algorithm faces limitations due to potential sensitivity to variations in input data, especially in the presence of noise or anomalies. Geological variations, such as the presence of “stray clays” within the roof beam, pose challenges to the algorithm's performance and accuracy. In response to these challenges, this paper proposes a novel deep learning-based algorithm leveraging two distinct Convolutional Neural Network (CNN) architectures. These CNNs are designed to navigate the intricacies of the GPR data pattern specific to potash mines. The presented results indicate promising levels of accuracy, with the new method achieving 95.4% accuracy in detecting the 414-clay seam and an average of 88% accuracy in finding “stray clays” seen in the dataset when compared to a geophysicist interpretation. The overall analysis suggests that this new approach has the potential to detect mining room roof features with a high degree of accuracy.
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 ».