Prediciendo la estabilidad de pilares de roca dura utilizando algoritmos GBDT, XGBoost y LightGBM
Autores: Liang, Weizhang; Luo, Suizhi; Zhao, Guoyan; Wu, Hao
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Prediciendo la estabilidad de pilares de roca dura utilizando algoritmos GBDT, XGBoost y LightGBM
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Predicción de la estabilidad de pilares en minas de roca dura
Aprendizaje automático
Algoritmos
Precisión de la predicción
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 48
Citaciones: Sin citaciones
Predecir la estabilidad de pilares es una tarea vital en las minas de roca dura, ya que la inestabilidad de los pilares puede causar riesgos de colapso a gran escala. Sin embargo, es un desafío porque la estabilidad del pilar se ve afectada por muchos factores. Con la acumulación de casos de estabilidad de pilares, el aprendizaje automático (ML) ha demostrado un gran potencial para predecir la estabilidad de los pilares. Este estudio tiene como objetivo predecir la estabilidad de pilares de roca dura utilizando algoritmos de aumento de gradiente de árbol de decisión (GBDT), aumento extremo de gradiente (XGBoost) y máquina de aumento de gradiente ligero (LightGBM). Primero, se recopilaron 236 casos con cinco indicadores de siete minas de roca dura. Posteriormente, se ajustaron los hiperparámetros de cada modelo utilizando un enfoque de validación cruzada de cinco pliegues (CV). Basándose en la configuración óptima de hiperparámetros, se construyeron modelos de predicción utilizando el conjunto de entrenamiento (70% de los datos). Finalmente, el conjunto de prueba (30% de los datos) se adoptó para evaluar el rendimiento de cada modelo. La precisión, recuperación e índices F se utilizaron para analizar los resultados de predicción de cada nivel, y la precisión y sus valores promedio macro se utilizaron para evaluar el rendimiento general de la predicción. Basándose en el análisis de sensibilidad de los indicadores, se obtuvo la importancia relativa de cada indicador. Además, se adoptó el enfoque del factor de seguridad y otros algoritmos de ML como comparaciones. Los resultados mostraron que los algoritmos GBDT, XGBoost y LightGBM lograron un mejor rendimiento integral, y sus precisiónes de predicción fueron de 0.8310, 0.8310 y 0.8169, respectivamente. El estrés promedio del pilar y la relación entre el ancho del pilar y la altura del pilar tuvieron las influencias más importantes en los resultados de predicción. La metodología propuesta puede proporcionar una referencia confiable para el diseño de pilares y la gestión del riesgo de estabilidad.
Descripción
Predecir la estabilidad de pilares es una tarea vital en las minas de roca dura, ya que la inestabilidad de los pilares puede causar riesgos de colapso a gran escala. Sin embargo, es un desafío porque la estabilidad del pilar se ve afectada por muchos factores. Con la acumulación de casos de estabilidad de pilares, el aprendizaje automático (ML) ha demostrado un gran potencial para predecir la estabilidad de los pilares. Este estudio tiene como objetivo predecir la estabilidad de pilares de roca dura utilizando algoritmos de aumento de gradiente de árbol de decisión (GBDT), aumento extremo de gradiente (XGBoost) y máquina de aumento de gradiente ligero (LightGBM). Primero, se recopilaron 236 casos con cinco indicadores de siete minas de roca dura. Posteriormente, se ajustaron los hiperparámetros de cada modelo utilizando un enfoque de validación cruzada de cinco pliegues (CV). Basándose en la configuración óptima de hiperparámetros, se construyeron modelos de predicción utilizando el conjunto de entrenamiento (70% de los datos). Finalmente, el conjunto de prueba (30% de los datos) se adoptó para evaluar el rendimiento de cada modelo. La precisión, recuperación e índices F se utilizaron para analizar los resultados de predicción de cada nivel, y la precisión y sus valores promedio macro se utilizaron para evaluar el rendimiento general de la predicción. Basándose en el análisis de sensibilidad de los indicadores, se obtuvo la importancia relativa de cada indicador. Además, se adoptó el enfoque del factor de seguridad y otros algoritmos de ML como comparaciones. Los resultados mostraron que los algoritmos GBDT, XGBoost y LightGBM lograron un mejor rendimiento integral, y sus precisiónes de predicción fueron de 0.8310, 0.8310 y 0.8169, respectivamente. El estrés promedio del pilar y la relación entre el ancho del pilar y la altura del pilar tuvieron las influencias más importantes en los resultados de predicción. La metodología propuesta puede proporcionar una referencia confiable para el diseño de pilares y la gestión del riesgo de estabilidad.