Machine Learning Techniques for Predicting the Quantity of ANFO Used in Blasting a Bench in an Open Pit Mine
Notice bibliographique
Résumé
The objective of this study is to predict the quantity of ANFO required for bench blasting in an open pit mine in Peru, through the application of advanced machine learning techniques. Six models were selected: Artificial Neural Networks (ANNMLP), Random Forests (RF), Support Vector Machines for Regression (SVR), Extreme Gradient Boosting (XGBoost), K-Nearest Neighbors (KNN), and Bayesian Regression (BR), due to their ability to handle complex multidimensional data and their success in similar applications, such as rock fragmentation prediction. The methodology included the collection of data from 208 drill holes, which were divided into training (70%), validation (15%), and testing (15%) sets. The models were evaluated using RMSE, MSE, MAE, and R2. The KNN model showed the best performance, with an R2 of 0.84, RMSE of 2.37, MSE of 5.60, and MAE of 1.35, standing out in predictive accuracy. This study contributes to the accurate prediction of the ANFO quantity required for bench blasting in open-pit mining, providing a useful tool for improving explosives management based on the specific characteristics of the terrain and operational conditions.
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 ».