Predicting Rock Hardness and Abrasivity Using Hyperspectral Imaging Data and Random Forest Regressor Model
Notice bibliographique
Résumé
This study aimed to develop predictive models for rock hardness and abrasivity based on hyperspectral imaging data, providing valuable information without interrupting the mining processes. The data collection stage first involved scanning 159 rock samples collected from 6 different blasted rock piles using visible and near-infrared (VNIR) and short-wave infrared (SWIR) sensors. The hardness and abrasivity of the samples were then determined through Leeb rebound hardness (LRH) and Cerchar abrasivity index (CAI) tests, respectively. The data preprocessing involved radiometric correction, background removal, and staking VNIR and SWIR images. An integrated approach based on K-means clustering and the band ratio concept was employed for feature extraction, resulting in 28 band-ratio-based features. Afterward, the random forest regressor (RFR) algorithm was employed to develop predictive models for rock hardness and abrasivity separately. The performance assessment showed that the developed models can estimate rock hardness and abrasivity of unseen data with R2 scores of 0.74 and 0.79, respectively, with the most influential features located mainly within the SWIR region. The results indicate that integrated hyperspectral data and RFR technique have strong potential for practical and efficient rock hardness and abrasivity characterization during mining processes.
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 | 0,001 |
| 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 ».