Exploring machine learning techniques for open stope stability prediction: A comparative study and feature importance analysis
Notice bibliographique
Résumé
The stability of underground excavations is essential for ensuring the safety of mining operations. Classical stability assessment methods, established in empirical formulas and rock mass classification systems, have long been employed for evaluating stope stability in underground mining. Stability graphs, a popular empirical approach, utilize factors like rock stress, joint orientation, and surface orientation to calculate stability numbers critical for stope design. However, modern advancements in machine learning present new opportunities for enhancing predictive capabilities and understanding complex relationships influencing stope stability. Building upon research demonstrating the feasibility of using machine learning for stability prediction, our study investigates and compares several machine learning algorithms. By analyzing a dataset comprising stope dimensions and geomechanical properties, we explore the potential of machine learning models such as Random Forest, Support Vector Machine, AdaBoost, XGBoost, LightGBM, and Artificial Neural Network in predicting stope stability. Evaluation metrics including accuracy, precision, recall, and F1 score are employed to assess model performance, with the Artificial Neural Network emerging as the most effective. Furthermore, SHapley Additive exPlanations (SHAP) analysis enhances interpretability by explaining the contribution of individual features to model predictions. • Comparing several machine learning models revealed that the Artificial Neural Network (ANN) generated the best predictions for stope stability assessment, with an accuracy score of 91% • Some models demonstrated good overall accuracy in their predictions; however, other classification metrics, such as precision and recall, revealed their limitations. • The SHapley Additive exPlanations (SHAP) analysis identified key factors influencing stability predictions, such as rock mass quality (Q’ value) and shape parameters.
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 | 0,001 | 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 ».