通过基于物联网的地面振动监测和预测系统,与机器学习集成,提高地表地雷爆炸操作的安全性

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
• 数据科学数据科学数据科学

背景情况:

• 地面振动监测对于采矿操作的安全至关重要.
• 现有的方法需要改进,以实时预测和主动安全措施.
• 石灰岩开采对振动评估提出了独特的挑战.

研究的目的:

• 开发和验证基于物联网的系统,用于在石灰岩采矿中实时监测地面振动.
• 实现和比较用于预测峰值粒子速度 (PPV) 的机器学习算法.
• 为预测危险的振动水平和提高矿山安全提供一个有效的预测工具.

主要方法:

• 开发一种基于物联网的新型地面振动监测设备.
• 对物联网设备与Minimate Blaster的准确性进行比较分析.
• 用于PPV预测的支持向量回归 (SVR),梯度增强回归 (GBR) 和随机森林 (RF) 的应用和评估.
• 使用R平方,平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 验证预测模型.

主要成果:

• 与行业标准相比,物联网设备的准确性很高,误差比例低至0.803%.
• 随机森林模型表现出卓越的预测性能,实现了0.92的R2,0.21的MAE和0.31的RMSE.
• 综合物联网和随机森林方法在预测地面振动强度方面被证明是可靠的.

结论:

• 基于物联网的地面振动监测系统与随机森林算法相结合,为采矿操作提供了可靠和准确的预测工具.
• 这项技术可以通过启用针对危险振动水平的积极措施,显著提高安全协议.
• 该研究强调了物联网和机器学习在促进更安全,更可持续的采矿实践方面的变革潜力.