Data-based assessment of rock strengths and cuttability using the monitored parameters while drilling, tunneling, and mining
Notice bibliographique
Résumé
Mechanized rock excavation is a commonly used method in underground projects in mining and tunneling. The performance of mechanized rock breaking depends on the rock’s cuttability, which is traditionally analyzed through extensive field experiments, significantly affecting work efficiency. Therefore, establishing a method to quickly and accurately assess the rock mass characteristics and cuttability based on drilling, tunneling, and mining parameters is of great importance in practice. In this study, three databases were developed for drilling parameters, tunneling parameters, and mining parameters from field and experimental measurements. The hiking optimization algorithm (HOA) and Ivy algorithm (IVYA) were introduced to optimize the gradient boosting decision tree (GBDT) model. For each database, two hybrid ensemble models were developed to predict uniaxial compressive strength (UCS) and identifying cuttability levels. The training and testing dataset division ratio for all models is 4:1, with cross-validation applied to prevent overfitting. The results indicate that the developed models can be directly applied to real-time analysis of rock strength characteristics and cuttability based on drilling, tunneling, and mining parameters, facilitating the real-time adjustment of cutting equipment operation parameters and improving rock-breaking efficiency. Finally, a user-friendly graphical user interface (GUI) was developed for easy use by non-algorithm operators on site.
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 | 0,000 |
| 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 ».