Algorytmy uczenia maszynowego do wzbogacania danych: obiecujące rozwiązanie zwiększające dokładność przewidywania wibracji gruntu wywołanych wybuchem w kopalniach odkrywkowych

Problem drgań gruntu wywołanych pracami strzałowymi stanowi istotne wyzwanie środowiskowe w kopalniach odkrywkowych, wymagające precyzyjnych prognoz i środków kontroli. Chociaż modele sztucznej inteligencji i uczenia maszynowego są obiecujące w rozwiązaniu tego problemu, ich dokładność pozostaje znaczącym problemem ze względu na ograniczone zmienne wejściowe, rozmiar zbioru danych i potencjalny wpływ na środowisko. Aby złagodzić te wyzwania, zbieranie danych jawi się jako potencjalne rozwiązanie zwiększające skuteczność modeli uczenia maszynowego, nie tylko w przypadku drgań gruntów wywołanych wybuchami, ale także w różnych dziedzinach przemysłu wydobywczego. W tym badaniu zbadano opłacalność wykorzystania maszynowego uczenia się w celu gromadzenia danych w celu wygenerowania rozszerzonego zbioru danych, który zapewnia lepsze przewidywanie drgań gruntu wywołanych pracami strzałowymi. Wykorzystując metodę wektorów nośnych (support vector machine - SVM), opisujemy zależności między zmiennymi wejściowymi, aby następnie zintegrować je jako dodatkowe dane wejściowe. Następnie wykorzystuje się wzbogacony zbiór danych do konstruowania wielu modeli uczenia maszynowego, w tym k-najbliższych sąsiadów (KNN), drzew klasyfikacji i regresji (CART) oraz losowy las (RF), wszystkie zaprojektowane do przewidywania wibracji gruntu wywołanych wybuchem. Analiza porównawcza modeli wzbogaconych i ich oryginalne odpowiedniki, ustalone na początkowym zbiorze danych, stanowią podstawę do wnioskowania w celu optymalizacji wydajności.