Прогнозирование разубоживания при разработке подэтажными камерами с использованием алгоритмов машинного обучения
Prediction of dilution in sublevel stoping through machine learning algorithms
2023-05-01
SCID: 54.1/g84md722
Discuss with AI
метод k ближайших соседейпрогнозирование разубоживания рудыслучайный лесподземная камерная разработкаметод опорных векторов
Figures from the paper
Abstract (AI)
Одним из наиболее широко применяемых методов подземной разработки является камерная система с открытыми камерами, предусматривающая выемку крупных рудных тел с помощью буровзрывных работ. Этот метод обладает многочисленными преимуществами, однако имеет и существенные недостатки, такие как перебор, неустойчивость стенок и незапланированное разубоживание руды. В настоящем исследовании оценивается эффективность применения алгоритмов машинного обучения для прогнозирования разубоживания в открытых камерах. Ожидаемыми преимуществами являются сокращение затрат времени по сравнению с численным анализом и повышение точности результатов по сравнению с эмпирическими методами. Были использованы следующие алгоритмы: случайный лес (RF), метод опорных векторов (SVM) и метод k ближайших соседей (KNN). Алгоритмы были обучены и протестированы на 752 случаях из нескольких шахт по всему миру. Три алгоритма достигли значений площади под ROC-кривой (AUC) выше 0,850, что можно считать отличным результатом; однако наиболее впечатляющие показатели продемонстрировал алгоритм случайного леса (точность по положительным предсказаниям = 0,835, общая точность = 0,804, AUC = 0,942). Полученные результаты позволяют заключить, что алгоритмы машинного обучения могут использоваться как надежные инструменты для прогнозирования разубоживания, однако для повышения точности применительно к конкретным шахтам могут потребоваться определенные корректировки.
Key Findings
1
Алгоритмы машинного обучения оценивались для прогнозирования незапланированного разубоживания руды при открытой выемке камер на основе 752 случаев из шахт по всему миру.
2
Для повышения точности прогнозирования на конкретных горных предприятиях может потребоваться адаптация моделей.
3
Наилучшие результаты показал случайный лес: точность precision составила 0,835, accuracy — 0,804, а AUC — 0,942.
4
Случайный лес, метод опорных векторов и метод k ближайших соседей продемонстрировали отличную способность к различению, достигнув значений AUC выше 0,850.
5
Результаты показывают, что машинное обучение может служить надежным инструментом оценки разубоживания, потенциально снижая временные затраты по сравнению с численным анализом и повышая точность по сравнению с эмпирическими методами.
Research Object
Разубоживание в открытых очистных камерах при этажно-камерной разработке
Research Subject
Прогнозирование и оценка незапланированного разубоживания руды с использованием алгоритмов машинного обучения
Publication Details
Publication Date
2023-05-01
Journal
Publisher
ISSN
Cited by
9
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest