基于人工神经网络反向传播(ANN-BP)架构集成学习模型的煤柱稳定性分类
机器学习
2023-05-26 v3
摘要
矿柱是用于保障地下硬岩矿山开采安全的重要结构单元。因此,需要对地下矿柱的稳定性进行精确预测。安全系数(SF)是常用于评估矿柱稳定性的一个指标。遗憾的是,使用SF进行矿柱稳定性评估时的这种清晰边界并不可靠。本文提出了一种人工神经网络反向传播(ANN-BP)与深度集成学习用于矿柱稳定性分类的新应用。使用了三种根据其激活函数区分的ANN-BP进行矿柱稳定性分类:ANN-BP ReLU、ANN-BP ELU和ANN-BP GELU。本研究还提出了一种考虑与SF适配性的矿柱稳定性新标注方案。由此,矿柱稳定性被扩展为四类:具有合适安全系数的失效、具有合适安全系数的完好、无合适安全系数的失效,以及无合适安全系数的完好。每个模型使用了五个输入:矿柱宽度、开采高度、巷道宽度、至底板深度和比率。结果表明,采用集成学习的ANN-BP模型可提升ANN-BP性能,对于具有合适安全系数的失效类别平均准确率达86.48%,F_2-score达96.35%。
引用
@article{arxiv.2303.16524,
title = {Ensemble Learning Model on Artificial Neural Network-Backpropagation (ANN-BP) Architecture for Coal Pillar Stability Classification},
author = {G. Aileen Mendrofa and Gatot Fatwanto Hertono and Bevina Desjwiandara Handari},
journal= {arXiv preprint arXiv:2303.16524},
year = {2023}
}
备注
The following article has been submitted to AIP Proceeding. After it is published, it will be found at https://publishing.aip.org/resources/librarians/products/journals/