相关实验视频
Updated: Jun 7, 2025
08:20
In Situ Soil Moisture Sensors in Undisturbed Soils
Published on: November 18, 2022
6.1K
基于深层森林的海底金属采矿层沉积的预测
Weijun Liu1, Zida Liu2, Zhixiang Liu1
1School of Resources and Safety Engineering, Central South University, Changsha, 410083, China.
Scientific reports
|November 17, 2024
概括
预测海底采矿层沉积的情况对于安全至关重要. 一个新的深森林 (DF) 模型准确预测沉降,优于其他方法,并为更安全的采矿操作提供了一种实际工具.
科学领域:
- 地质技术工程 地质技术工程
- 人工智能的人工智能
- 采矿工程 采矿工程 采矿工程
背景情况:
- 海底采矿面临海水流入的重大风险,需要准确预测层次的沉积,以确保运营安全.
- 岩层沉积预测是海底采矿的关键安全措施,以防止水进入造成的灾难性事件.
研究的目的:
- 开发和验证一种智能模型,用于预测海底采矿环境中的层次沉积.
- 与现有的机器学习方法相比,评估深森林 (DF) 模型在评估层次定位方面的有效性.
主要方法:
- 从Xishan矿区的120次观测中收集了层次移位数据和12个影响因素.
- 使用编译的数据集开发和训练了一个深森林 (DF) 模型.
- 使用R平方值 (训练R2为0.971,测试R2为0.936) 和与其他模型进行比较分析,验证了DF模型的性能.
- 为DF模型的实际应用设计了一个图形用户界面 (GUI).
- 在新利矿区进行了进一步的验证,使用了额外的位移监测数据.
主要成果:
- 深森林模型在预测层次定位方面表现出很高的准确性,在训练中达到0.971的R平方值,在测试中达到0.936的值.
- 与该研究中评估的其他机器学习模型相比,DF模型表现出更好的预测性能.
- 在单独的采矿区进行验证证实了该模型在现实世界海底采矿应用中的有效性和可靠性.
结论:
- 开发的深层森林模型是预测海底采矿中层层沉积的有效工具.
- 智能DF模型通过提供准确的沉降预测来增强安全协议,减轻与海水涌入相关的风险.
- 图形用户界面促进了DF模型的实际实施,支持了更安全,更有效的海底采矿操作.
