传统与迁移学习增强型机器学习算法在煤矸石岩土特性表征中的比较研究
应用统计
2025-05-21 v1
摘要
材料表征是评估和预测采矿废石堆稳定性的先决条件。过去三十年来，BHP 三菱联盟煤炭框架一直是澳大利亚煤矿表征废石堆材料的基石。然而，其对主观人为观察的依赖给该过程引入了潜在的不准确性和主观性。针对这些局限性，本研究提出了一种创新方法，通过手机/平板电脑远程获取图像来分类煤矸石属性。自动化的基于图像的分类依赖于特征提取和大量数据。然而，导致稀有和主导材料形成的地质因素的固有复杂性导致了数据不平衡。认识到需要分类机制来克服矸石分类中的这些挑战，本研究探索并比较了卷积神经网络、混合深度学习和传统技术的使用。在本研究评估的十二个模型中，ResNet18-k 近邻模型成为岩土特性表征的有力工具。然而，解决可解释性和对不同数据集的适应性问题至关重要。随着本研究的发展，矸石岩土特性表征领域有望在未来开发出更稳健的方法。
引用
@article{arxiv.2401.01969,
title = {A Comparative Study with Traditional and Transfer Learning-enhanced Machine Learning Algorithms for Geotechnical Characterisation of Coal Spoil},
author = {Sureka Thiruchittampalam and Kuruparan Shanmugalingam and Bikram P Banarjee and Nancy F Glenn and Simit Raval},
journal= {arXiv preprint arXiv:2401.01969},
year = {2025}
}