相关实验视频
Updated: Jun 6, 2025
09:41
Blast Quantification Using Hopkinson Pressure Bars
Published on: July 5, 2016
9.0K
在岩石爆发严重性预测中的数据平衡和组合歧视模型的研究和应用
Shaohong Yan1,2,3, Runze Liu3, Yanbo Zhang4,5
1College of Mining Engineering, North China University of Science and Technology, Tangshan, 063210, Hebei, China.
Scientific reports
|November 28, 2024
概括
这项研究引入了一种用于预测岩石爆发的新复合模型,通过平衡数据和将贝叶斯优化与多层感知器和随机森林算法相结合来提高准确性. 改进后的模型实现了超过92.5%的准确性,以实现更安全的岩石工程.
科学领域:
- 地质技术工程 地质技术工程
- 数据科学数据科学数据科学
- 预测建模预测建模
背景情况:
- 岩石爆发预测模型经常遭受数据不平衡和不完整的覆盖,导致过拟合和糟糕的概括.
- 这些局限性可能会导致错误判断,并在岩石工程项目中造成重大财务损失.
- 准确的预测对于减轻威胁和确保地下挖掘安全至关重要.
研究的目的:
- 开发一个强大而准确的复合模型,用于智能岩石爆发预测.
- 解决数据不平衡,提高预测模型的概括能力.
- 加强对岩石爆裂现象的早期预警监测服务.
主要方法:
- 收集和分析了301个关于岩石爆发的现场观测数据点.
- 采用PCA-SSA-K-手段进行数据分析,并验证了四级岩石爆破分类.
- 利用基于密度的非线性重新采样 (DBNR) - - Tomek链接用于数据平衡和贝叶斯优化 (BO) - - 多层感知器 (MLP) - - 随机森林 (RF) 用于模型构建.
主要成果:
- 成功地平衡了不平衡的样本数据,扩大了数据集并改善了数据样本比率.
- 开发了一个BO-MLP-RF复合模型,通过十倍交叉验证实现约92.5%的一致准确性.
- 证明数据平衡和组合歧视模型显著提高预测性能和稳定性.
结论:
- 拟议的复合模型有效地解决了岩石爆发预测中的数据不平衡问题.
- DBNR-Tomek Link和BO-MLP-RF的整合提供了高精度和稳定的岩石爆破预测.
- 该模型提供可靠的预警服务,对于确保岩石工程项目的安全至关重要.
更多相关视频
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
982
10:36Stress Distribution During Cold Compression of Rocks and Mineral Aggregates Using Synchrotron-based X-Ray Diffraction
Published on: May 20, 2018
9.6K
