Rocks, Data, Algorithms: A Roadmap for Practical Machine Learning Adoption in Rock Engineering
Notice bibliographique
Résumé
ABSTRACT: Recent advancements in sensor technologies, computing and data storage, and accessibility to commercial AI tools has resulted in an increase in machine learning in rock engineering research. Many researchers have been able to demonstrate data-driven algorithms that have the potential to transform rock engineering paradigms. These studies include developing ML for predicting geology with high accuracy, forecasting rock bursts in high stress environments, and decreasing the computational time needed to update complex numerical models. Despite the potential shown in the research literature, machine learning (ML) has not yet crossed the threshold into practical use in rock engineering. This delay in adoption can be seen as an opportunity to standardize ML development in rock engineering to avoid some of the common pitfalls that can result in erroneous or nonsensical predictions, prior to widespread adoption. Namely, typical rock engineering projects suffer from three primary problems that will affect the trust rock engineers have in using ML: 1) Biased/poor quality data resulting in biased ML models 2) Insufficient data quantity resulting in unreliable ML models 3) Misunderstanding the trained ML model resulting in opaque rock engineering decisions This presentation will highlight the source of these methodological issues by illustrating them with examples and will discuss possible strategies to avoid them when applying ML to rock engineering.
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 | 0,059 | 0,096 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,009 | 0,018 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,008 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,005 |
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 ».