MétaCan
Menu
Retour à la cohorte
Enregistrement W960732084 · doi:10.17265/1934-7359/2013.07.013

Estimating Probability of Instability of Haulage Drift with Respect to Mining Sequences

2013· article· en· W960732084 sur OpenAlexafffundabout
Wael Rashad Elrawy Abdellah, Hani S. Mitri, Denis Thibodeau, Lindsay Moreau-Verlaan

Notice bibliographique

RevueJournal of Civil Engineering and Architecture · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueRock Mechanics and Modeling
Établissements canadiensVale (Canada)McGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésHaulageMining engineeringStability (learning theory)Surface miningMonte Carlo methodUnderground mining (soft rock)EngineeringGeologyComputer scienceCoal miningStatisticsMathematicsStructural engineeringMachine learningWaste management

Résumé

récupéré en direct d'OpenAlex

Haulage drifts play a vital role in providing personnel and equipment access to ore extraction areas for mine production.Thus, their stability is of crucial importance during the life of a mine plan.Many Canadian mines use longhole mining methods or one of its variants.These methods require access to the orebody through haulage drifts on multiple levels.This paper examines the stability of mine haulage drifts with respect to planned mining sequence.A case study of an underground mine is presented.The case study examines #1 Shear East of the Garson Mine in Sudbury, Ontario.A two-dimensional, elastoplastic, finite difference model (FLAC 2D) is developed for a haulage drift situated 1.5 km below surface in the footwall of the orebody.The stability of the haulage drift is evaluated in terms of the spread of yield zones into the rockmass due to nearby mining activities.The performance of the drift stability is evaluated at various mining stages, employing the RMC (Random Monte-Carlo) technique in conjunction with finite difference modeling to study the probability of unsatisfactory performance of the drift.The results are presented and categorized with respect to probability, instability and mining stage.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,104
Score d'incertitude au seuil0,421

Scores Codex et Gemma par catégorie

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

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 Opus0,008
Tête enseignante GPT0,194
Écart entre enseignants0,187 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations0
Publié2013
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Civil Engineering and ArchitectureMême sujetRock Mechanics and ModelingTravaux en français237 207