Beware the undulation : failure mode prediction and rock mass classification in rock mechanics using deep neural networks and synthetic rock mass models
Notice bibliographique
Résumé
Rock mass classification systems (RMCS) remain prominent within the rock engineering field. Although many of these systems have become ubiquitous, they are predicated upon a series of empirical case studies tailored to particular geographic locations and stress regimes. While each classification system may be valid for the project type and location for which it was created, modern applications extend the use of these systems beyond their initial raison d’être. Furthermore, the case studies which form the basis of these classification systems are scarcely representative of the conditions to which these systems are applied which poses a risk to safety, design stability, and reliability. Rock mass characterisation deals with assigning values to individual components that dictate rock mass behaviour. Rock mass classification attempts to characterise rock mass behaviour or strength based on observed characteristics. This research focuses on the effects of rock mass classification systems. Machine learning models may be trained on images from various locations, thus eliminating a key limitation of current classification systems: location relevance. This thesis examines the application of computer vision (artificial intelligence) techniques for joint mapping and investigates the impact of joint geometry on rock mass strength in synthetic rock mass (SRM) models. Current SRM models depict joint fractures as planar surfaces which risks oversimplifying the interactions observed in geometrically complex, undulated rock masses. Experiments conducted and explored as part of this thesis investigate the effects of large-scale undulation versus conventional flat joint representations on simulated rock mass strength. Multiple discrete fracture networks (DFNs) with flat, geometrically simplified, planar fractures were contrasted against geometrically complex surfaces. Results from this experiment reveal inconsistent patterns between explicit undulated surfaces and rock mass strength across various DFN realisations. These results challenge the prevalent assumption that the ramifications of geometric simplification may be mitigated by parametric adjustments. In fact, it re-enforces the notion that network topology and general fracture connectivity govern rock mass behaviour and strength.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».