A BSMOTE-OOA-SuperLearner Hybrid Framework for Interpretable Prediction of Pillar Stability
Notice bibliographique
Résumé
Pillar stability prediction is essential for underground mining safety, yet it remains challenging due to limited data, class imbalance, and insufficient interpretability. This study proposes an integrated Borderline-SMOTE-Osprey Optimization Algorithm-Super Learner framework (BSMOTE-OOA-SL) for hard-rock pillar stability prediction. The framework combines five heterogeneous base learners (ANN, GBDT, KNN, RF, and SVM), applies Borderline-SMOTE within training folds to alleviate class imbalance, and employs the Osprey Optimization Algorithm (OOA) for systematic hyperparameter optimization. The model is evaluated using a dataset of 241 pillar cases from seven underground mines. Statistical experiments based on multiple random train–test splits show that the proposed framework consistently outperforms individual base learners in terms of Accuracy, Macro-Precision, Macro-Recall, and Macro-F1, demonstrating improved robustness and generalization. Ablation results indicate that the joint use of Borderline-SMOTE and OOA leads to quantitative performance gains of 10.21%, 12.25%, 12.61%, and 12.86% in Accuracy, Macro-Precision, Macro-Recall, and Macro-F1, respectively. Under a representative data split, the model achieves an overall accuracy of 95.92%, with strong class-wise Precision, Recall, and F1-score across all stability categories, and AUC values exceeding 0.9 for all classes (reaching 1.0 for the Failed category). SHAP-based interpretability analysis identifies stress-related indicators—particularly average pillar stress, Stress/UCS ratio, and UCS—as the dominant factors governing pillar stability. Overall, the proposed BSMOTE-OOA-SL framework provides a robust, interpretable, and statistically reliable solution for hard-rock pillar stability prediction.
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 ».