MétaCan
Menu
Retour à la cohorte
Enregistrement W4416713204 · doi:10.1016/j.ghm.2025.11.003

Pseudo-prospective and prospective rock failure along with rockburst prediction based on acoustic emission

2025· article· en· W4416713204 sur OpenAlexaff
Xiangchun Li, Xuefei Zhuo, Biao Li, Qi Zhang, Saeed Vadiee

Notice bibliographique

RevueGeohazard Mechanics · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueRock Mechanics and Modeling
Établissements canadiensConcordia University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésAcoustic emissionRock burstFracture (geology)Energy (signal processing)Reliability (semiconductor)Autoregressive integrated moving averageFailure mode and effects analysis

Résumé

récupéré en direct d'OpenAlex

Rock burst is a serious threat to mine safety production, and its prediction is of great significance to effectively prevent and control the dynamic disaster of rock burst. Therefore, this paper used AE data of rock loading process to conduct pseudo-prospective prediction and short-term and long-term prospective prediction of rock failure, and further explore the prediction of rock burst based on acoustic emission (AE) and its reliability. The results show that: by selecting the appropriate critical point of failure, the autoregressive integrated moving average model can make short-term predictions of rock failure. The prediction accuracy of the acoustic emission positioning technology for the fracture surface and fracture location of rocks is affected by the prediction time. The closer to the failure point, the higher the prediction accuracy is. The energy prediction method based on the energy accumulation mechanism can effectively predict the elastic energy at the moment of failure. This study also proposes combining machine learning with the analysis of historical acoustic emission data from rockbursts , which can improve the reliability of rockburst prediction. The research results can provide theoretical support for the prevention and control of rock burst dynamic disasters. • The ARIMA model can make pseudo-prospective and short-term prospective predictions of rocks to predict the failure time of rocks. • The ARIMA model can predict rock failure in the short term. • Based on AE location data, rock fracture surface and fracture mode are predicted. • The rock energy model based on energy accumulation can accurately predict the changes in the elastic energy of rocks

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,187
Écart entre enseignants0,183 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeohazard MechanicsMême sujetRock Mechanics and ModelingTravaux en français237 207