A Comparative Study of Machine Learning Methods for Prediction of Blast-Induced Ground Vibration
محل انتشار: مجله معدن و محیط زیست، دوره: 12، شماره: 3
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 425
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JMAE-12-3_005
تاریخ نمایه سازی: 18 مهر 1400
چکیده مقاله:
Blast-induced ground vibration (PPV) evaluation for a safe blasting is a long-established criterion used mainly by the empirical equations. However, the empirical equations are again considering a limited information. Therefore, using Machine Learning (ML) tools [Support Vector Machine (SVM) and Random Forest (RF)] can help in this context, and the same is applied in this work. A total of ۷۳ blasts are monitored and recorded in this work. For the ML tools, the dataset is divided into the ۸۰-۲۰ ratio for the training and testing purposes in order to evaluate the performance capacity of the models. The prediction accuracies by the SVM and RF models in predicting the PPV values are satisfactory (up to ۹% accuracy). The results obtained show that the coefficient of determination (R۲) for RF and SVM is ۰.۸۱ and ۰.۷۵, respectively. Compared to the existing linear regressions, this work recommends using a machine learning regression model for the PPV prediction.
کلیدواژه ها:
نویسندگان
A. Srivastava
Department of Mining Engineering, Indian Institute of Technology (ISM), Dhanbad, India
B. Choudhary
Department of Mining Engineering, Indian Institute of Technology (ISM), Dhanbad, India
M. Sharma
Department of Mining Engineering, Indian Institute of Technology (ISM), Dhanbad, India
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :