Flyrock distance prediction using a hybrid LightGBM ensemble learning and two nature-based metaheuristic algorithms
Notice bibliographique
Résumé
Traditional mining in open pit mines often uses explosives, leading to environmental hazards, with flyrock being a critical issue. In detail, excess flying rock beyond the designated explosion area was identified as the primary cause of fatal and non-fatal blasting hazards in open pit mining. Therefore, the accurate and reliable prediction of flyrock becomes crucial for effectively managing and mitigating associated problems. This study used the Light Gradient Boosting Machine (LightGBM) model to predict flyrock in a lead-zinc mine, with promising results. To improve its accuracy, multi-verse optimizer (MVO) and ant lion optimizer (ALO) metaheuristic algorithms were introduced. Results showed MVO-LightGBM outperformed conventional LightGBM. Additionally, decision tree (DT), support vector machine (SVM), and classification and regression tree (CART) models were trained and compared with MVO-LightGBM. The MVO-LightGBM model excelled over DT, SVM, and CART. This study highlights MVO-LightGBM's effectiveness and potential for broader applications. Furthermore, a multiple parametric sensitivity analysis (MPSA) algorithm was employed to specify the sensitivity of parameters. MPSA results indicated that the highest and lowest sensitivities are relevant to blasted rock per hole and spacing with the γ = 1752.12 and γ = 49.52, respectively.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».