基于机器学习的小型数据集的浅岩爆发的长期预测建模,基于机器学习
Guozhu Rao1,2, Yunzhang Rao3,4, Jiazheng Wan5
1School of Emergency Management and Safety Engineering, Jiangxi University of Science and Technology, Ganzhou, 341000, China.
Scientific reports
|July 12, 2024
概括
这项研究开发了一种新的模型,用于预测地下建筑中的岩石爆炸危险. KMSORF模型准确地预测了岩石爆破水平,提高了采矿和道工程的安全性.
科学领域:
- 地质技术工程 地质技术工程
- 采矿工程 采矿工程 采矿工程
- 机器学习应用 机器学习应用
背景情况:
- 岩石喷发在各种深度的地下建筑中构成重大危险.
- 准确预测岩石爆炸事件对于确保安全和运营连续性至关重要.
- 对于岩石爆发预测的现有数据集往往是小的,不平衡的,多类的,这给分析带来了挑战.
研究的目的:
- 开发和验证岩石爆破事件的有效预测模型.
- 为了应对小,不平衡,多类别的岩石爆破数据集所带来的挑战.
- 改进地下建筑项目的风险管理策略.
主要方法:
- 收集和分析了69个现实世界的岩石爆破数据集,在500米的埋葬深度内.
- 评估了11个机器学习算法,使用KMeansSMOKE过量采样进行优化.
- 使用Optuna框架调整的超参数来创建KMSORF模型 (KMeansSMOKE,Optuna,随机森林).
主要成果:
- 与梯度增强 (GB),极端梯度增强 (XBG) 和额外树木 (ET) 相比,KMSORF模型显示出优异的预测性能.
- 该模型在矿和道项目中的实际应用中成功预测了岩石爆破水平.
- 优化的随机森林算法,集成到KMSORF模型中,证明对这个复杂的数据集非常有效.
结论:
- 在地下工程中,KMSORF模型为岩石爆破预测提供了强大而准确的解决方案.
- 这项研究通过改进岩石爆破预测,推进了地下建筑的安全协议.
- 这些发现为减轻与不同地质环境中的岩石爆发事件相关的风险提供了宝贵的见解.
