Ứng dụng mô hình học máy để dự đoán cường độ chịu nén hỗn hợp chất thải mỏ quặng gia cố bằng xi măng trong trường hợp khan hiếm dữ liệu

0 Người đánh giá. Xếp hạng trung bình 0

Tác giả: VIỆT CƯỜNG NGÔ, VĂN QUÂN TRẦN

Ngôn ngữ: vie

Ký hiệu phân loại:

Thông tin xuất bản: Tạp chí Xây dựng, 2023

Mô tả vật lý: tr.105

Bộ sưu tập: Metadata

ID: 346785

Thêm vào giỏ Liên kết toàn văn

Cường độ chịu nén của chất thải mỏ quặng được gia cố bằng xi măng (Cemented Paste Backfill CPB) là tính chất cơ học quan trọng trong việc đánh giá khả năng áp dụng của hỗn hợp này trong gia cố hố đào hầm mỏ. Bài báo trình bày việc sử dụng hai mô hình học máy đơn giản để dự đoán cường độ chịu nén của chất thải mỏ quặng. Do đó, hai thuật toán học máy bao gồm thuật toán tăng cường độ dốc (Gradient Boosting GB) và thuật toán vector hỗ trợ (Support Vector Regression SVR) được sử dụng để dự đoán cường độ chịu nén chất thải mỏ quặng được gia cố bằng xi măng. Để thực hiện việc xây dựng mô hình học máy, 92 dữ liệu thí nghiệm đã được thu thập từ những công bố quốc tế. Bộ dữ liệu bao gồm sáu biến đầu vào Xi măng/Chất thải mỏ C/T
Hàm lượng chất rắn (%)
trọng lượng riêng Gs
Kích thước lỗ sàng đạt lượng tích lũy 10% D10 (μm)
hệ số đồng đều Cu
hệ số cấp phối Cc. Hiệu suất vượt trội của mô hình học máy GB so với mô hình học máy SVR được kiểm chứng bằng 200 lần mô phỏng ngẫu nhiên Monte Carlo. Phân tích yếu tố quan trọng cho thấy sự cần thiết của các yếu tố đầu vào đến việc tăng cường hiệu suất của mô hình GB có thể sắp xếp theo tứ tự giảm dần như sau tỷ lệ xi măng/chất thải mỏ C/T >
hệ số đồng đều Cu >
hàm lượng chất rắn (Solid content) >
kích thước lỗ sàng đạt lượng tích lũy 10% D10 >
hệ số cấp phối Cc >
trọng lượng riêng Gs. Từ khóa: Mô hình học máy
cường độ chịu nén
tỷ lệ xi măng/chất thải mỏ
chất thải mỏ quặng gia cố bằng xi măng.The compressive strength of Cemented Paste Backfill CPB (Cemented Paste Backfill CPB) is an important mechanical property in evaluating the applicability of this mixture in the reinforcement of mine pits. This paper presents the use of two simple machine learning models to predict the compressive strength of CPB. Therefore, two machine learning algorithms including Gradient Boosting GB and Support Vector Regression SVR are used to predict the compressive strength of CPB. For building the machine learning model, 92 experimental data were collected from international publications. The dataset includes six input variables such as cement/tailing content C/T, solids content (%), specific gravity Gs, sieve hole size with cumulative 10% D10 (μm), coefficient of uniformity Cu, coefficient of curvature Cc. The superior performance of GB machine learning model over SVR machine learning model is verified by 200 times of Monte Carlo random simulation. Feature importance analysis shows the necessity of the inputs to enhance the performance of the GB model can be arranged in descending order as follows: C/T ratio of cement/tailing content >
coefficient of uniformity Cu >
solid content >
sieve hole size with cumulative 10% D10 >
coefficient of curvature Cc >
specific gravity Gs. Keywords: Machine Learning (ML)
unconfined compressive strength
cement/tailing
cemented Paste Backfill (CPB).

1. Đọc trực tuyến

1. Đọc trực tuyến

Tạo bộ sưu tập với mã QR