Hybrid statistical-algorithmic approach using the frog algorithm to optimize blast patterns for reducing blast vibrations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study introduces an innovative approach to predict and mitigate blast-induced vibrations by optimizing blast patterns. By combining a statistical model with the frog algorithm, the method achieves enhanced accuracy and efficiency. Addressing a notable gap in blast engineering, this research uniquely integrates statistical models and optimization algorithms for vibration control. Data from 58 blasting events at Golgohar Iron Ore Mine No. 1 were utilized, with 40 datasets used for model training and 18 reserved for independent evaluation. In the prediction phase, four statistical and four AI-based models were developed to estimate peak particle velocity (PPV). Classical evaluation metrics, including R, R², RMSE, MAPE, MAD, and MSE, were applied to identify the best model. The multivariable linear regression model demonstrated superior accuracy, achieving R = 0.94, R² = 0.925, and low error metrics. Following this, the optimization phase employed the multivariable linear regression model as the objective function, integrated with the frog algorithm, to minimize PPV. Several models were developed to assess the influence of algorithmic parameters under the specific conditions of the mine. The results provide a reliable and practical methodology for predicting PPV and optimizing blast patterns, effectively reducing ground vibrations. This straightforward approach offers significant utility for pre-blasting planning and contributes to the advancement of sustainable and efficient blasting practices.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle