A conditioned discrete fracture network for stability analysis of rock wedge in an open pit mine
Notice bibliographique
Résumé
The goal of this research is to develop mine-scale discrete fracture network (DFN) models in which the influence of the spatial heterogeneity of fracture distributions may be investigated on the rock wedge stability of an open pit slope. For this purpose, spatially conditioned DFN models were developed for the pit walls at Tasiast mine using comprehensive structural data from the mine. Using Sequential Gaussian Simulation (SGS), volumetric fracture intensities ( P 32 ) were modeled across the entire mine site in the form of 3D block models. The simulated P 32 block models were used as the input constraints for conditional DFN fracture generation, where the DFN grid dimension is the same as the SGS 3D blocks. The spatially constrained DFN models were further calibrated using aerial fracture intensities ( P 21 ) data from the pit walls, obtained by a survey of the pit walls using an unmanned aerial vehicle (UAV) and measured traces of joints from 3D point cloud data. The final DFN model is expected to honor the fracture intensities gathered through different means with optimal model accuracy. Finally, bench-scale and inter-ramp scale rock wedge slope stability analyses were conducted using the calibrated conditional DFN models. This work proves the significance of conditioned DFN models in rock wedge stability analysis. Such models provide detailed information regarding rock wedge stability so that site monitoring and prevention plans can be conducted with higher efficiency.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».