Advancing the Prediction and Evaluation of Blast-Induced Ground Vibration Using Deep Ensemble Learning with Uncertainty Assessment
Notice bibliographique
Résumé
Ground vibration is one of the most dangerous environmental problems associated with blasting operations in mining. Therefore, accurate prediction and controlling the blast-induced ground vibration are imperative for environmental protection and sustainable development. The empirical approaches give inaccurate results, as evident in the literature. Hence, numerous researchers have started to use fast-growing soft computing approaches that are satisfying in prediction performance. However, achieving high-prediction performance and detecting prediction uncertainty is crucial, especially in blasting operations. This study aims to propose a deep ensemble model to predict the blast-induced ground vibration and quantify the prediction uncertainty, which is usually not addressed. This study used 200 published data from ten granite quarry sites in Ibadan and Abeokuta areas, Nigeria. The empirical equation (United States Bureau of Mines-based approach) was applied for comparison. The comparison of the models demonstrated that the proposed deep ensemble model achieved superior performance, offering more accurate predictions and more reliable uncertainty quantification. Specifically, it exhibited the lowest root mean square error (22.674), negative log-likelihood (4.44), and mean prediction interval width (1.769), alongside the highest R2 value (0.77) and prediction interval coverage probability (0.95). The deep ensemble model reached the desired coverage of 95%, demonstrating that uncertainty was not underestimated or overestimated.
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 ».