混合机器学习方法用于准确预测钻石指数

科学领域:

• 地质技术工程 地质技术工程
• 机器学习应用 机器学习应用
• 岩石机械学 岩石机械学

背景情况:

• 钻探速度指数 (DRI) 对于优化岩石挖掘效率至关重要.
• 准确的DRI预测为设备选择和操作方法提供了信息.
• 现有的方法可能缺乏高级挖掘项目所需的精度.

研究的目的:

• 开发和评估一种混合机器学习方法,用于精确的DRI预测.
• 通过改进DRI预测来提高岩石挖掘的准确性.
• 为了比较不同混合模型在预测DRI方面的性能.

主要方法:

• 灰狼优化 (GWO) 与机器学习模型的集成:支持矢量机器 (SVM),随机森林 (RF) 和极端梯度增强 (XGBoost).
• 使用相关数据集进行混合模型 (GWO-SVM,GWO-RF,GWO-XGBoost) 的培训和测试.
• 使用R2,MAE,RMSE和SI等指标进行绩效评估.

主要成果:

• 在训练和测试期间,GWO-XGBoost模型表现出卓越的预测性能,R2为0.999和最小的误差指标 (MAE,RMSE,SI).
• 在所有评估的性能指标上,GWO-XGBoost的表现优于GWO-RF和GWO-SVM,包括精度,回忆和f1-score.
• 与基线方法相比,混合模型在DRI预测准确度上显示出显著的改进.

结论:

• 混合型GWO-XGBoost模型为岩石挖掘中的DRI预测提供了一个高度准确和可靠的工具.
• 这种方法有可能显著提升岩石挖掘实践,提高运营效率.
• 该研究强调了混合机器学习技术在解决复杂的地质工程问题的有效性.