Vorhersage des Stabilitätskoeffizienten von Open

Aug 02, 2023

Scientific Reports Band 13, Artikelnummer: 12017 (2023) Diesen Artikel zitieren

234 Zugriffe

1 Altmetrisch

Details zu den Metriken

Der Abbau im Tagebau ist in China weit verbreitet und es kommt häufig zu Unfällen durch Erdrutsche. Daher wird das Problem der Hangstabilität hervorgehoben. Die Stabilität des Hangs ist ein Faktor, der sich direkt auf die Abbaueffizienz und die Sicherheit des gesamten Abbauprozesses auswirkt. Den Statistiken zufolge besteht in Chinas Großminen eine Wahrscheinlichkeit von 15 Prozent, dass ein Erdrutschrisiko besteht. Und aufgrund der Ausweitung des Bergbauumfangs des Unternehmens ist das Problem der Hangstabilität immer offensichtlicher geworden, was zu einem wichtigen Thema bei der Erforschung der Tagebautechnik geworden ist. Um den Hangstabilitätskoeffizienten besser vorhersagen zu können, wird in dieser Studie am Beispiel eines Bergwerks in China die Genauigkeit verschiedener Algorithmen bei der Stabilitätsberechnung eingehend erörtert und anschließend mithilfe eines Deep-Learning-Algorithmus die Stabilität unter Niederschlagsbedingungen untersucht. Die Änderung des Koeffizienten und die Änderung des Stabilitätskoeffizienten vor und nach der Böschungsbehandlung werden experimentell anhand der Verschiebung des Überwachungspunkts untersucht. Das Ergebnis zeigt, dass der vom Algorithmus in diesem Artikel berechnete Sicherheitskoeffizient etwa 7 % niedriger ist als der des herkömmlichen Algorithmus. In der Hangstabilitätsanalyse vor der Behandlung beträgt der vom Algorithmus in diesem Artikel berechnete Sicherheitsfaktor 1,086, und der Algorithmus in diesem Artikel ist näher an der Realität. Bei der Stabilitätsanalyse der Steigung nach der Behandlung beträgt der vom Algorithmus in diesem Artikel berechnete Sicherheitsfaktor 1,227 und der Stabilitätsfaktor erfüllt die Anforderungen der Spezifikation. Es zeigt auch, dass der Deep-Learning-Algorithmus die Effizienz der Vorhersage des Neigungsstabilitätsfaktors effektiv verbessert und die Sicherheit während der Projektentwicklung erhöht.

Beim Abbau von Tagebauen kommt es zur Bildung sehr steiler Seitenböschungen. Dadurch wird der ursprüngliche Gleichgewichtszustand des Geländes zerstört, zudem wird die Felsmasse durch die Krafteinwirkung verschoben, wodurch der Hang besonders leicht seine Stabilität verliert. Die Hangstabilität eines Tagebaus kann sich direkt auf die Sicherheit der Minenquelle sowie auf den wirtschaftlichen Nutzen der Minenquelle auswirken. Tatsächlich gilt: Je höher die Hangstabilität, desto besser. Es sollte den Grundsätzen der Wirtschaftlichkeit und Sicherheit folgen und einen angemessenen Neigungswinkel festlegen. Wenn die Stabilität zu hoch ist, erhöht sich der Abbau der Minenquelle, wodurch der wirtschaftliche Nutzen der Mine verringert wird. Wenn die Stabilität zu gering ist, wird der Hang instabil und eine zusätzliche Hangverstärkung ist erforderlich, was sich nicht nur auf die Produktion auswirkt, sondern auch die Kosten erhöht. Nur durch die Erzielung eines wirtschaftlichen und sicheren Stabilitätsfaktors kann die Sicherheit des gesamten Projekts gewährleistet, die Leistungseffizienz sichergestellt und Kosten eingespart werden. Obwohl die Technologie zur Minenauswahl mit dem Fortschritt der Gesellschaft ebenfalls optimiert wird, handelt es sich immer um einen Industriezweig mit hohem Risiko, und die Sicherheitsfrage des Stabilitätskoeffizienten während des Aushubprozesses ist ebenfalls ein Problem, das von Wissenschaftlern diskutiert wurde. Wenn die Stabilität eines Hangs durch die gleiche geneigte Gleitfläche gesteuert wird, ist im Allgemeinen der Einfluss der Hanghöhe auf seine Stabilität größer als der des Hanggefälles. Daher versucht der Autor, das Problem der Vorhersage des Hangstabilitätskoeffizienten von Tagebauen aus der Perspektive des Deep-Learning-Algorithmus mit künstlicher Intelligenz zu untersuchen, in der Hoffnung, einen idealen Effekt zu erzielen.

Mit der Umsetzung der Landespolitik zur Erschließung von Bergwerken haben Wissenschaftler zunehmend auf Sicherheitsaspekte im Entwicklungsprozess geachtet und umfangreiche Untersuchungen zur Stabilität von Tagebauhängen durchgeführt. Unter ihnen haben Zhu et al. verwendeten die Methode der numerischen Simulation, um den Einfluss von hydraulischen Brüchen auf die Hangstabilität von Kohleflöz-Methanbrunnenfrakturen im Tagebau zu untersuchen1. Der in diesem Artikel verwendete Algorithmus ist jedoch für die Berechnung des Abbauwinkels nicht sehr geeignet. Zuvor haben Besimbaeva et al. bewertete die Hangstabilität des Tagebaus Baryt in der östlichen Bergbauprovinz Anjing und untersuchte die Festigkeitseigenschaften der Gesteinsmasse mit zwei Methoden2. Das in dieser Arbeit angewandte Bewertungssystem ist jedoch nicht sehr umfassend. Später haben Kang et al. führte eine Hangstabilitätsbewertung für die Goldmine durch und analysierte deren probabilistische Bewertung und Sensitivität3. Auf die angewandte Skalenklassifizierungsmethode ging er in dem Artikel jedoch nicht näher ein. Christian führte die Stabilitätsbewertung einer Stufenböschung in einem Tagebau in Peru ein und ermittelte die Wahrscheinlichkeitsdichtefunktion der Strukturebenenparameter4. Aber die Experimente, die er in der Arbeit durchführte, berücksichtigten mögliche Faktoren nicht.

Nach Rückgriff auf die Forschungsergebnisse anderer Wissenschaftler berechneten Dehghan und Khodaei den minimalen Sicherheitsfaktor von 1,20, der ein stabiles optimales Design für das Grenzgefälle des Tagebaus lieferte5. Er bezog sich jedoch nicht auf den Einfluss des Sicherheitsfaktors bei der Berechnung der horizontalen Verschiebung des Modells. Du und Ye schlugen vor, die Intervall-Fuzzy-Zahl mit ihrer Zuverlässigkeit zu kombinieren, um gemischte Informationen zu erhalten, und verwendeten dann das Ähnlichkeitsmaß für die Entscheidung über die Steigungsstabilität6. Wenn er jedoch den logischen Zusammenhang definiert, ist der Inhalt der Ausarbeitung nicht sehr detailliert. Singh et al. verwendete Simulationssoftware, um den Gesamtstabilitätsfaktor der Abraumhalde zu bewerten7. Allerdings bezog er die Auswirkungen des schwachen Bodens nicht in seine Schlussfolgerung ein. Natürliche und künstliche Schäden an Bodenhängen sind ein komplexes Phänomen, das in vielen Ländern der Welt schwere Schäden verursachen kann. Infolgedessen wurde öffentliches und privates Eigentum im Wert von mehreren Millionen Dollar zerstört. Es ist notwendig, den Prozess zu verstehen, der zum Versagen von Böschungen führt, und seine Anfälligkeit vorherzusagen, um das Risiko eines Versagens von Böschungen angemessen zu mindern. Suman versuchte, kürzlich entwickelte Methoden der künstlichen Intelligenz wie funktionale Netzwerke (FNs), multiple adaptive Regressionssplines (MARS) und multigene genetische Programmierung (MGGP) zu nutzen, um den Sicherheitsfaktor von Steigungen vorherzusagen8. Die Leistung dieser KI-Technologien wurde anhand verschiedener statistischer Parameter bewertet, wie zum Beispiel dem durchschnittlichen absoluten Fehler, dem maximalen absoluten Fehler, dem quadratischen Mittelfehler und dem Korrelationskoeffizienten sowie dem Effizienzkoeffizienten von Nash Sutcliffe. Die Analyse der Hangstabilität ist eines der wichtigsten Themen in der Geotechnik. Die Entwicklung der Hangstabilitätsanalyse folgt eng der Entwicklung der rechnergestützten Geotechnik. Das diskutierte die Anwendung verschiedener kürzlich entwickelter künstlicher neuronaler Netzwerkmodelle in der Hangstabilitätsanalyse auf der Grundlage der verfügbaren Datenbanken zu tatsächlichen Hangausfällen in der Literatur9. Er entwickelte verschiedene künstliche neuronale Netzwerkmodelle, um Steigungen als stabil oder instabil (Ausfall) zu klassifizieren und Sicherheitsfaktoren vorherzusagen.

Die Popularität künstlicher Intelligenz ist sehr groß und Deep Learning ist tatsächlich eine neue Forschungsrichtung des maschinellen Lernens. Es handelt sich um einen Algorithmus, der dem Ziel der künstlichen Intelligenz beim maschinellen Lernen am nächsten kommt. Und es hat viele Ergebnisse im Data Mining und in anderen Bereichen erzielt und kann Menschen bei der Lösung vieler Probleme helfen. Die Innovation dieses Artikels liegt in der Verwendung einer neuartigen Methode, des Deep-Learning-Algorithmus, zur Untersuchung des Hangstabilitätskoeffizienten von Tagebauen. Im Forschungsprozess wird eine sehr einfache, aber effektive Methode verwendet, um eine große Menge relevanter Daten für die Analyse zu erhalten. Wir hoffen, Sie bei künftigen Minengrabungsarbeiten unterstützen zu können.

Bei der Entwicklung von Tagebauen ist die eingeschränkte Sicherheit von Felsböschungen der Hauptgrund, der die Effizienz der Bergwerksproduktion beeinträchtigt. Der Anteil des Tagebaus in China ist tatsächlich sehr groß. Der Abbau von Eisenerz und fossilen Rohstoffen erfolgt fast immer im Tagebau. Während des Abbauprozesses ist die Sicherheit des Böschungskörpers von größter Bedeutung. Daher ist es im Bergbauprozess notwendig, den endgültigen Böschungswinkel zu erhöhen und die Stabilität des Hangs sicherzustellen. Im Abbauprozess wird es einen sehr scharfen Widerspruch geben, das heißt, je größer der endgültige Böschungswinkel ist, desto instabiler wird der Hang sein. Wenn dieses Problem nicht ordnungsgemäß gelöst wird, wird es die sichere Produktion des Bergwerks und den wirtschaftlichen Nutzen des Bergwerks ernsthaft beeinträchtigen. Und der Abbau im Tagebau führt höchstwahrscheinlich dazu, dass die Umgebung unsicher wird. Daher ist es beim Bergbau notwendig, die Sicherheit zu gewährleisten, ohne die Abbaugeschwindigkeit zu verringern und die Auswirkungen auf die Umgebung zu verringern. Engagiert für die Erzielung eines wirtschaftlichen und effizienten Abisolierverhältnisses10. Der Abbau des Tagebaus ist in Abb. 1 dargestellt.

Abbau eines Tagebaus.

Wie in Abb. 1 dargestellt, müssen im Abbauprozess der Mine professionelle Werkzeuge wie Bagger eingesetzt werden11. Und es wird eine Steigung erster Ordnung bilden. Tatsächlich sind Tagebaue in China immer noch relativ verbreitet, und es gibt viele Minen in der Inneren Mongolei und in Xinjiang. Diese Minen haben sehr ernste Stabilitätsprobleme und es kam zu vielen großen Erdrutschen. Dies hat den Bergbaubergwerken große wirtschaftliche Verluste verursacht. Das Thema Stabilität war also schon immer ein wesentliches Thema. Da die oberflächlichen Ressourcen von Menschen erschlossen werden, nehmen sie gleichzeitig ständig ab. Daher wurden neue Technologien geschaffen, um umfassende Ressourcen zu erschließen. Diese Technologie wird jedoch sehr große Auswirkungen auf die gesamte Gesteinsformation des Bergwerks haben, auch die Umwelt wird geschädigt und auch die Sicherheit und Stabilität wird verringert. Obwohl viele Wissenschaftler die Stabilität des Bergbaus auf unterschiedliche Weise verbessert haben, ist die Stabilität jeder Mine eine unabhängige Größe und sie weisen unterschiedliche Eigenschaften auf. Daher ist es notwendig, anhand der Beurteilung der Mine vor Ort zu bestimmen, welche Methode für die Vorhersage verwendet werden soll. Daher sind weitere Untersuchungen erforderlich, um bessere Möglichkeiten für den Abbau von Minen zu finden12.

Wenn die Stabilität des Hangs nicht gut ist, kann es leicht zu einer Erdrutschkatastrophe kommen, was ein sehr ernstes Problem darstellt13. Es bedroht das Eigentum und das Leben von Menschen. Das Auftreten von Erdrutschen ist in der Regel auf die Zerstörung von Felshängen zurückzuführen. Felsstürze und Felsstürze sind die Hauptarten von Felshangschäden, wie in Bild 2 dargestellt:

Wie in Abb. 2 dargestellt, gibt es zwei Haupttypen von Erdrutschen14. Das erste sind Steinlawinen. Dies geschieht meist an sehr steilen Hängen, wo das Gestein in Stücke zerbricht und dann zusammenbricht und nach vorne stürzt. Der Felskörper an der Spitze löst sich häufig ab und fällt dann aufgrund bestimmter Faktoren ab und sammelt sich am Fuß des Hangs an. Diese Situationen treten häufig dort auf, wo Risse oben im Hang vorhanden sind. Risse entstehen auch durch die Verwitterung des Gesteins im Laufe der Zeit oder durch das Eindringen von Regenwasser und längere Durchnässung. Es ist jedoch auch möglich, dass sich das Gestein aufgrund von Temperaturschwankungen, hoher Temperatur oder Beschattung lockert. Die von allgemeinen Experten ergriffenen Schutzmaßnahmen bestehen in der Verwendung künstlich verstärkter Baustoffe, also Ankerseilen. Auf diese Weise kann die Aufprallkraft des Einsturzes und Abrutschens von Gesteinsmassen minimiert werden. Das zweite Phänomen ist der Felsrutsch, ein Phänomen, bei dem die Gesteinsmasse entlang einer bestimmten Oberfläche gleitet15. Tatsächlich ist der Hauptgrund für Felsrutschen zu viel Niederschlag. Wenn Oberflächenwasser in die Risse eindringt, erzeugt es hydrostatischen Druck, also die Kraft, die das Gleiten des Bodenhangs fördert und sich nachteilig auf die Stabilität des Bodenhangs auswirkt. Durch das Eindringen von Regenwasser, den Anstieg des Flusswasserspiegels oder die Aufstauung von Stauseen steigt der Grundwasserspiegel, wodurch ein statischer Wasserdruck auf die undurchlässige Strukturoberfläche des Hangs wirkt. Es wirkt senkrecht zur Strukturoberfläche und am Hang, wodurch die durch das Gewicht der gleitenden Masse auf der Oberfläche erzeugte Normalspannung geschwächt wird, wodurch der Rutschwiderstand des Bodens verringert wird. Es gibt verschiedene Arten von Steinschlägen, daher werde ich sie hier nicht einzeln vorstellen. Im Allgemeinen handelt es sich beim Felsgleiten um ein Gleiten auf einer Ebene. Dies bedeutet, dass das Flugzeug beim Gleiten des Gesteins entlang der Ebene anfälliger für das Gleiten der Ebene ist, wenn der Neigungswinkel der Gleitfläche größer als der innere Reibungswinkel ist. Für das ebene Gleiten der Hanggesteinsmasse müssen zwei Bedingungen erfüllt sein, nämlich die Überwindung des Widerstands auf beiden Seiten und des Widerstands am Boden. Wenn in Weichgestein der Bodenneigungswinkel der Böschungsgesteinsmasse viel größer ist als der innere Reibungswinkel der Gesteinsmasse in der Böschungsgesteinsmasse des Tagebaus, kann die seitliche Zurückhaltung der Gesteinsmasse nicht genügend Kraft aufbringen, um dies zu verhindern dass das Gestein beschädigt wird. Löst sich von der Hanggesteinsmasse ab und führt zu einem ebenen Gleiten. Nur wenn die diskontinuierliche Oberfläche der Hanggesteinsmasse die Oberseite des Hangs kreuzt und das Gestein am Hang auf beiden Seiten vom Gestein getrennt ist, kann bei der Hanggesteinsmasse aus hartem Gestein auch die Hanggesteinsmasse ohne seitliche Zurückhaltung abrutschen in einem Flugzeug16.

Arten von Erdrutschen.

Gesteinsmasseneigenschaften sind ein weiteres Hilfsmittel zur Klassifizierung von Böschungen, insbesondere in Bergwerken. SMR ist das gebräuchlichste Klassifizierungsschema und wird häufig von verschiedenen Forschern verwendet, um die Stabilität von Abtragshängen in verschiedenen Bergwerken zu analysieren. Die Bewertung der Hangqualität ist das wichtigste Instrument zum Verständnis des Gesteinsverhaltens von Tagebauhängen. Aufgrund der Zunahme der Tiefe und des Neigungswinkels bringt die Bewertung der Hangqualität immer ernsthafte Probleme mit sich. Aufgrund verschiedener geologischer Komplexität sind Stabilitätsprobleme schwerwiegender. Die Stabilitätsanalyse des sich bewegenden Hangs wurde mithilfe des Stereonet-Diagramms durchgeführt. Es handelt sich um ein einfaches Werkzeug zur Analyse des Keilversagens in ebenen und felsigen Böschungen. Diese Strukturdaten werden geometrisch aufgezeichnet, um die Ausfallwahrscheinlichkeit des flächentreuen Netzwerks im Muster zu ermitteln17. Es gibt auch viele Möglichkeiten, die Neigung zu kontrollieren, im Allgemeinen gibt es drei Methoden. Wie in Abb. 3 dargestellt.

Methoden zur Behandlung von Hängen.

Aus Abb. 3 ist deutlich zu erkennen, dass diese drei Methoden der Hangbewirtschaftung18. Die erste Methode besteht im Ausgraben und Auffüllen. Die allgemeine Bedeutung ist, dass es in der Nähe des oberen Teils des Abhangs viele Felsmassen mit geringer Stabilität geben wird. Diese Gesteinsmassen mit geringer Stabilität können ausgegraben, an den Hangfuß transportiert und verdichtet werden. Dadurch kann die Stabilität effektiv verbessert werden. Da jedoch die Traktion zwischen den Gesteinsmassen immer noch sehr stark ist, können nur die Gesteinsmassen mit geringer Stabilität ausgegraben werden. Die zweite Methode ist die Entwässerung. Denn Regen ist ein wesentlicher Grund für die Beeinträchtigung der Stabilität. Die Ansammlung von Regenwasser beeinträchtigt das Abrutschen der Risse in der Felsoberfläche und führt zu Erdrutschen. Gerade bei der Behandlung von hohen, steilen und großen Hängen ist die Entwässerung besonders wichtig. Die dritte Methode besteht darin, künstliche Strukturen zur Verstärkung einzusetzen. Ankerseile werden im Allgemeinen zum Schutz und zur Verstärkung eingesetzt. Natürlich gibt es auch Stützmauern und Antirutschpfähle. Alle drei Methoden funktionieren gut. Bei der Hangkontrolle können sie in Kombination eingesetzt werden, um bessere Ergebnisse zu erzielen19.

Darüber hinaus ist das Hangmaterial bzw. die Hanggeometrie wichtig. Klassifiziert nach stratigraphischer Lithologie: Es kann in Bodenhänge und Felshänge unterteilt werden. (a) Entsprechend der Gesteinsstruktur wird sie in Schichtstrukturneigung, Blockstrukturneigung und Netzwerkstrukturneigung unterteilt; (b) Entsprechend der Beziehung zwischen der Neigung der Gesteinsschichten und der Hangrichtung kann sie in Vorwärtsneigung, Rückwärtsneigung und Vertikalneigung unterteilt werden. Bei jeder Hanginstabilität kommt es zum Versagen von Gestein und Boden am Hang unter Scherbeanspruchung. Daher wirken sich die Faktoren, die die Scherspannung und die Scherfestigkeit von Gestein und Boden beeinflussen, alle auf die Stabilität des Hangs aus.

Deep Learning ist eigentlich eine Art Methode des maschinellen Lernens, und sein Vorgänger ist maschinelles Lernen und künstliche neuronale Netze20. Aufgrund der Zeit wird diese Methode jedoch ständig weiterentwickelt und optimiert, und auch ihre Anwendungsbereiche sind sehr breit. Konkret wie in Abb. 4 dargestellt.

Anwendungsbereiche von Deep Learning.

Wie in Abb. 4 dargestellt, hat diese Methode viele Anwendungsgebiete. Insgesamt nennt der Autor neun Bereiche. Erstens kann diese Methode im Bereich Computer Vision Computern helfen, Bilddaten zu verarbeiten oder Text zu erkennen und diese Bilder oder Texte zu konvertieren, was sehr intelligent und praktisch ist21. Im Bereich der Spracherkennung wurde mit der Unterstützung dieses Algorithmus die Effizienz der Spracherkennung erheblich verbessert. Genau wie die Verarbeitung von Bilddaten in der Computer Vision kann die Methode Töne sehr schnell in erkennbare Modelle umwandeln. Im Bereich der Audioerkennung wird diese Methode auch verwendet, um die Effizienz der Audioerkennung zu verbessern. In Bezug auf die Filterung sozialer Netzwerke sind die Komponenten im Netzwerk sehr chaotisch und es gibt alle Arten von Informationen. Diese Methode eignet sich jedoch sehr gut für die Klassifizierung von Informationen und eignet sich daher auch sehr gut zum Filtern sozialer Netzwerke. In Bezug auf die maschinelle Übersetzung kann die Verwendung dieser Methode die Qualität der maschinellen Übersetzung verbessern und die maschinelle Übersetzung eher an das Übersetzungsniveau eines Durchschnittsmenschen anpassen. Beim Arzneimitteldesign kann diese Methode die Entwicklung niedermolekularer Arzneimittel unterstützen, neue rechnerische Entscheidungen für Arzneimittel ermöglichen und mehr chemische Dateninformationen verarbeiten. In der Bioinformatik kann der Einsatz dieser Methode neue Veränderungen in der Disziplin mit sich bringen. Da die Methode so gut in der Datengewinnung ist, eignet sie sich gut zur Lösung genomischer Probleme. Im Bereich der medizinischen Bildanalyse kann nach Anwendung dieser Methode eine schnelle und sehr detaillierte Analyse medizinischer Bilder besser durchgeführt werden. Denn mit dieser Methode wurden bereits gute Ergebnisse bei der Bildsegmentierung erzielt. Daher eignet es sich auch sehr gut für die Bildanalyse im Bereich medizinischer Bilder22.

Die Deep-Learning-Methode hat nicht nur ein breites Anwendungsspektrum, sondern bringt auch viele Vorteile mit sich, wie in Abb. 5 dargestellt.

Vorteile von Deep Learning.

Wie in Abb. 5 dargestellt, besteht sein erster Vorteil in der hohen Vielseitigkeit. Im Allgemeinen handelt es sich bei den Daten, mit denen wir arbeiten, um mehrdimensional geordnete Daten, und aufgrund der schnellen Entwicklung von Big Data wurde Deep Learning in verschiedenen Bereichen sehr gut angewendet23. Neben der Spracherkennung und Bildklassifizierung verfügt es auch über eine sehr gute Leistung im Data Mining sowie in der Datenverarbeitung und Datenvorhersage, sodass seine Vielseitigkeit hoch ist. Der zweite Vorteil ist die Robustheit, was bedeutet, dass die Methode intelligenter und stabiler ist24. Es kann Parameter automatisch an Datenänderungen anpassen und sich automatisch an Datenänderungen anpassen. Der dritte Vorteil ist eine gute Verallgemeinerung. Nachdem die Daten erhöht wurden, können sie immer noch über eine gute Generalisierungsfähigkeit verfügen, und die Leistung wird überhaupt nicht geschwächt, sondern verbessert. Der vierte Vorteil ist die Skalierbarkeit, denn wenn das neuronale Netzwerk zu stark gestapelt ist, verschwindet der Gradient oder der Gradient explodiert, und diese Methode kann dieses Problem sehr gut lösen. Und diese Methode weist eine sehr gute Skalierbarkeit in der Anzahl der Schichten und Strukturparameter auf und kann frei kombiniert werden, um einen besseren Lerneffekt zu erzielen25.

Darüber hinaus kann die Methode auf die in verschiedenen Bereichen trainierte neuronale Netzwerkstruktur verallgemeinert werden und auch bei unzureichenden Daten einen guten Trainingseffekt erzielen. Wir können die Leistung von maschinellem Lernen und Deep Learning zur Trainingszeit vergleichen, wie in Abb. 6 dargestellt.

Die Beziehung zwischen der Menge an Trainingsdaten und der Trainingsleistung.

Wie in Abb. 6 gezeigt, ist es offensichtlich, dass das vorherige maschinelle Lernen zu wenige Parameter hat und die Generalisierungsfähigkeit abnimmt, wenn die Trainingsdaten zunehmen26. Bei der in diesem Artikel vorgeschlagenen Methode ist die Generalisierungsfähigkeit besser, wenn die Trainingsdaten zunehmen. Dies zeigt, dass die in diesem Artikel vorgeschlagene Methode nicht nur eine gute Stabilität bei der Datenverarbeitung aufweist, sondern gleichzeitig auch sehr gute Daten verarbeiten kann. Die Größe des Datenvolumens hat keinen Einfluss.

Da Deep Learning weit verbreitet ist, wurde sein Rahmenwerk auch von Wissenschaftlern eingeführt. Der Code des Frameworks selbst ist sehr prägnant, die unterstützten Sprachtypen sind recht umfangreich, die technische Dokumentation ist vollständig und die Wartung und der Betrieb sind in gutem Zustand. Im Folgenden werde ich fünf weitere beliebte Frameworks auflisten, wie in Tabelle 1 dargestellt.

Wie in Tabelle 1 gezeigt, gibt es tatsächlich viele gängige Frameworks. Der Einfachheit halber listet der Autor jedoch die fünf beliebtesten Frameworks auf. Das erste Framework ist Tensor Flow und sein Kerncode ist in C++ geschrieben. Dies wird im Allgemeinen für den Umgang mit mehrdimensionalen Vektoren verwendet. Dieses Framework verfügt auch über Visualisierungstools, die die Struktur und den Datenfluss des neuronalen Netzwerks vollständig darstellen können. Es enthält viele gängige Algorithmen und der gesamte Entwurfsprozess ist umfassend, was sich sehr gut für die Vorhersage in der Branche eignet. Das zweite Framework ist Caffe, das jedes neuronale Netzwerk definiert. Nachdem das normale Andocken sichergestellt ist, besteht der Netzwerkaufbau nur noch aus dem Stapeln jeder Schicht. Und es kann am Training teilnehmen, solange das Modell definiert ist und die Trainingsleistung sehr gut ist. Das dritte Framework ist Torch, dessen Popularität vor allem auf die Unterstützung von Facebook zurückzuführen ist. Dieses Framework unterstützt viele wissenschaftliche Berechnungen und ist im Allgemeinen die erste Wahl für die wissenschaftliche Forschung im akademischen Bereich. Der vierte ist CNTK, der von Microsoft eingeführt wird. Es gibt auch viele Funktionen, vor allem die Netzwerkstruktur ist sehr fein, der Code ist auf Produktebene und kann auf einer Vielzahl von Hardware trainiert werden. Das fünfte Framework ist Keras. Seine Komponenten sind hochverkapselt. Es wird im Allgemeinen von Anfängern verwendet und ist relativ schnell einsetzbar. Nachdem Sie das Prinzip verstanden haben, können Sie zunächst ein Netzwerk aufbauen.

(1) Wiederkehrendes neuronales Netzwerk (rnn).

Es handelt sich hauptsächlich um ein neuronales Netzwerk, das zur Verarbeitung von Sequenzdaten generiert wird.

Unter der Annahme, dass die Zeit Y ist, können Sie die Modellausgabe wie folgt erhalten:

Wenn das Modell den Ausgabewert zum Zeitpunkt Y vorhersagt, analysieren wir die Verlustfunktion und die Rückausbreitung beginnt beim endgültigen Verlustwert. Dann stellt R während der Backpropagation die Kostenfunktion dar und die definierte Zielfunktion ist:

Die Gewichtsformel E kann aktualisiert werden, indem die Kostenfunktion kleiner angepasst wird:

ρ stellt die Lerneffizienz dar, die die Geschwindigkeit der Parameteraktualisierung steuern kann. Wenn es nicht richtig gesteuert wird, kann die Optimierungsgeschwindigkeit nicht mithalten. Um den Gradienten zu berechnen, kann der Fehler wie folgt formuliert werden:

Berechnen Sie sie dann rekursiv, und die neue Formel kann wie folgt erhalten werden:

Y stellt den letzten Zeitpunkt dar, zu dem die verborgene Schicht ausgedrückt werden kann als:

Durch Ableitung dieser Formel kann die Fehlerformel zu anderen Zeitpunkten wie folgt ermittelt werden:

Die Fehlerformeln in der Ausgabeebene und der verborgenen Ebene lauten:

Es stellt den Fehler zum Zeitpunkt Y dar und stellt den Fehler zum Zeitpunkt Y + 1 dar.

Auf diese Weise können die Gewichte der Ausgabeebene wie folgt aktualisiert werden:

Die Gewichtungen der Eingabeschicht können wie folgt aktualisiert werden:

Die Gewichte der wiederkehrenden Ebene können wie folgt aktualisiert werden:

(2) Neuronales Netzwerk mit langem Kurzzeitgedächtnis (lstm)

Obwohl es in seiner Struktur RNN ähnelt, ändert es den erhöhten Zellzustand in der Struktur entsprechend der Existenzzeit, und dieser Zellzustand ist ein Langzeitgedächtnis27. Der LSTM-Algorithmus wird häufig verwendet, um Vorgänge wie die Vorhersage verschiedener Daten oder die Bilderkennung durchzuführen. Sein Vergessenstor bestimmt, ob das Wissen, das ich bereits gelernt habe, nützlich ist und welchen Teil ich verwerfen möchte; Das Eingabetor bestimmt, ob das Wissen, das andere mir mitteilen, für mich nützlich ist und welches Wissen ich erhalten möchte. Indem ich mein aktuelles Wissen über das Ausgabetor integriere, bestimmt ein Teil des Wissens, was ich anderen berichte28. Die Theorie und der Lernprozess von LSYM sind wertvoll und verfügen über gute Problemlösungsfähigkeiten bei der Lösung einiger praktischer Probleme.

Wenn es sich um einen Parameter im Ausgabegatter handelt, ist es die Ausgabe der verborgenen Schicht. Die Formel des Eingangsgatters kann wie folgt erhalten werden:

Wenn Sie zu diesem Zeitpunkt den Zellstatus aktualisieren möchten, kann die Formel wie folgt ausgedrückt werden:

Berechnet entsprechend dem Status der aktuellen Zeit, kann der endgültige Ausgabewert erhalten werden.

Den erhaltenen Informationen zufolge wurden viele Algorithmen zur Vorhersage der Hangstabilität verwendet. Deshalb haben wir sie für einen Vergleich der Vorhersageleistung mit unserem Algorithmus im Testsatz verglichen. Die Ergebnisse sind in Tabelle 2 dargestellt.

Wie in Tabelle 2 gezeigt, ist die Genauigkeit und Stabilität jedes Berechnungsalgorithmus bei Verwendung der Basislinie und der Youden-Grenzpunkte. Es ist ersichtlich, dass die Leistung des Youden-Cutoffs im Allgemeinen besser ist als die des Basis-Cutoffs. Die durchschnittliche Genauigkeit aller Algorithmen steigt um 4,8 % vom Basisgrenzwert bis zum Youden-Grenzwert. Die größte Steigerung der Genauigkeit wird durch den DT-Algorithmus erreicht, und nach der Verwendung von Youden steigt die Genauigkeit von 79 auf 90 %. Beim Youden-Grenzwert erhöht sich die Genauigkeit des besten LR-Algorithmus um 0,2 %, während beim besten DL-Algorithmus keine Genauigkeitsänderung auftritt. Die höchste Genauigkeit wurde durch den optimalen DT-Algorithmus mit dem Youden-Cutoff erreicht, in diesem Fall wurden 43 von 45 Steigungsfällen korrekt vorhergesagt. Die Genauigkeit des besten DT-Algorithmus und des besten DL-Algorithmus für den Youden-Cutoff beträgt mehr als 90 %.

Abschließend wird ihre Vorhersageleistung anhand der True-Positive-Rate und der True-Negativ-Rate verglichen, die sie im Testsatz anzeigen. Die Ergebnisse sind in Abb. 7 dargestellt.

Testleistung.

Wie aus Abb. 7 ersichtlich ist, ist der DL-Algorithmus der beste Klassifizierungsalgorithmus zur korrekten Vorhersage stabiler Steigungen. Bei beiden Algorithmen werden alle 20 stabilen Steigungen korrekt gemessen und mit dem optimalen DT verglichen, der den Grenzwert überschreitet. Der Algorithmus erreicht die optimale Vorhersage der Hangstabilität und sagt alle Fälle instabiler Hanglagen korrekt voraus. Baseline und Youdens Cutoff haben keinen Einfluss auf die Leistung des optimalen DL-Modells in diesem Artikel29.

Um die Rationalität und Zuverlässigkeit des in diesem Artikel verwendeten DL-Algorithmus besser zu überprüfen, verwendet der Autor in vielen Literaturstellen drei Methoden zur Berechnung des Sicherheitsfaktors für die Steigungsbeispiele. Die Berechnungsergebnisse sind in Tabelle 3 dargestellt.

Aus Tabelle 3 ist ersichtlich, dass der Sicherheitsfaktorwert des DL-Algorithmus zwischen der Spitzenstärke und der Reststärke des herkömmlichen Algorithmus liegt. In Beispiel 1 betragen die Sicherheitsfaktorwerte des herkömmlichen Algorithmus für die beiden Stärken 1,315 bzw. 1,121. Der Sicherheitsfaktor des Algorithmus in diesem Artikel beträgt 1,236. In Beispiel 2 betragen die Sicherheitsfaktorwerte des herkömmlichen Algorithmus 1,03 bzw. 0,534. Der Sicherheitsfaktor des Algorithmus in diesem Artikel beträgt 0,958. In Beispiel 3 betragen die Sicherheitsfaktorwerte des herkömmlichen Algorithmus 1,404 und 1,083, und der Sicherheitsfaktorwert des Algorithmus in diesem Artikel beträgt 1,2973. Die Untersuchung zeigt, dass der Sicherheitsfaktor, der mit dem herkömmlichen Algorithmus unter Verwendung der Spitzenfestigkeit ermittelt wird, in der praktischen Anwendung tatsächlich sehr gefährlich ist, und dass der Sicherheitsfaktor, der mit dem herkömmlichen Algorithmus unter Verwendung der Restfestigkeit ermittelt wird, relativ konservativ ist30.

Der National Highway (NH-305) ist von entscheidender Bedeutung, da er während der Sperrung anderer Autobahnen als einzige alternative Verbindung für den Transport von Militärgütern und anderem Material genutzt wird. In der Vergangenheit wurden viele Hangbrüche gemeldet, daher wurden Gefahrenzonenkarten unter Verwendung von fünf häufig verwendeten Parametern erstellt, um potenziell gefährdete Gebiete zu identifizieren. Anschließend wurde eine detaillierte Vor-Ort-Untersuchung durchgeführt, um gesteinstechnische Parameter und eine geomechanische Klassifizierung zu erfassen. Anhand der Gefahrenzonenkarte und anschließender Vor-Ort-Untersuchungen zur Stabilitätsanalyse wurden mehrere Standorte identifiziert. Durch die Einstufung der Gefahrenzone wird der Steilhang am rechten Ufer des Flusses Sutlej eindeutig als potenzieller Schadensbereich eingestuft, was auch durch die niedrige Qualitätseinstufung des Hangs bestätigt wird. Die Finite-Elemente-Methode wurde später verwendet, um die Verformungsmechanismen im Zusammenhang mit dem Versagen solcher Böschungen zu untersuchen. Der hohe Wert des Sicherheitsfaktors weist auf die Stabilität des Hangs hin, die Verschiebungskontur und die Konzentration der Schubspannung in der Nähe des Hangfußes deuten jedoch darauf hin, dass dies nicht der Fall ist31. Wir nehmen als Beispiel einen Tagebau und verwenden den Algorithmus in diesem Artikel, um den Stabilitätskoeffizienten des Hangs vorherzusagen, zu berechnen und zu analysieren. Stellen Sie zunächst sicher, dass sich der Hang nach der Behandlung in einem stabilen Zustand befindet, und analysieren Sie dann die Stabilität des Hangs bei starkem Regen32.

Entsprechend der Form des Erdrutschs und der Hauptgleitrichtung des Erdrutschs wird die 129-Linie des Hauptgleitabschnitts des Erdrutschs als Berechnungsabschnitt ausgewählt und die durch Bohren freigelegte Gleitfläche wird als Berechnungsgleitfläche verwendet. Das Wasser an diesem Standort besteht hauptsächlich aus stehendem Wasser der flachen oberen Schicht und Wasser aus tiefen Felsspalten. Laut der Messung jedes Bohrlochs im Rahmen der Standortuntersuchung der Jiepailing-Mine liegt der gemischte stabile Grundwasserspiegel in einer vergrabenen Tiefe von etwa 24 m. Der berechnete Abschnitt des Erdrutschs vor der Behandlung und der berechnete Abschnitt nach Reduzierung des Erdrutschs auf + 521 m sind in Abb. 8 dargestellt.

Schnittansicht vor und nach der Erdrutschbehandlung.

Wir untersuchten die Variation des Hangsicherheitsfaktors und der Versickerungstiefe mit der Niederschlagsdauer mithilfe des DL-Algorithmus unter zwei Niederschlagsbedingungen. Die erhaltenen Ergebnisse sind in Abb. 9 dargestellt.

Vorhersage des Hangsicherheitsfaktors bei Niederschlag.

Bei der Berücksichtigung des Matrixsogs erhöhte sich der anfängliche Hangsicherheitsfaktor vor Niederschlag von 1,25 auf 2,4. Es ist ersichtlich, dass die Matrixsaugung einen großen Beitrag zur Hangstabilität leisten kann und die Berechnung der Hangstabilität ohne Berücksichtigung der Matrixsaugung konservativ ist. Unter den beiden Niederschlagsbedingungen nimmt der Sicherheitsfaktor mit der Niederschlagszeit schnell ab. Es ist ersichtlich, dass Niederschläge einen offensichtlichen Einfluss auf die Hangstabilität haben und langfristige Niederschläge wahrscheinlich zu Erdrutschen führen. Dies spiegelt auch wider, dass der DL-Algorithmus sehr gut zur Berechnung der Vorhersage des Steigungsstabilitätskoeffizienten geeignet ist.

Um die Zuverlässigkeit der Analysemethode zu überprüfen, wird die Gültigkeit der bestehenden Methode zur Vorhersage von Projektüberwachungsdaten übernommen. Nehmen Sie die Daten eines Projekts als Datenquelle. Mithilfe der auf dem Deep-Learning-Algorithmus basierenden IoT-Systemüberwachungsdaten- und Datenanalyse-Experimentierplattform wird das Variationsgesetz der Verschiebung hoher und steiler Hänge untersucht. Unter Berücksichtigung der Beeinflussung des Hanggesteins durch den Untertage- und Erzkörperbergbau wurden insgesamt 2 Messstellen zur Echtzeitüberwachung mittels Totalstation eingerichtet. Das DL-Modell wird zur Modellierung und Analyse der in Echtzeit gemessenen Verschiebung des Neigungsüberwachungspunkts verwendet. Die Ergebnisse sind in Abb. 10 dargestellt.

Gemessene und vorhergesagte Werte von Überwachungspunkten.

Die strukturelle Verformung der Bergbautechnik mit hohen und steilen Hängen weist die Merkmale von Mehrdeutigkeit und Nichtlinearität auf. Es ist schwierig, den Entwicklungstrend der Verformung sowie das Auftretensgebiet und die Zeit des Instabilitätszustands durch numerische Analysen und ähnliche Modellexperimente genau auszudrücken und vorherzusagen. Dies wird sich umfassend in der Verformung des Überwachungspunkts widerspiegeln. Der DL-Algorithmus kann die Probleme kleiner Stichproben, Nichtlinearität und hoher Dimensionalität sehr gut lösen, und das gebildete DL-Modell weist eine hohe Vorhersagegenauigkeit auf. Wie aus Abb. 10 ersichtlich ist, kann das DL-Modell den Beispieldatensatz genau anpassen und verfügt über die Fähigkeit zur Vorhersage derselben Zeitreihe wie die Beispieldaten. Anhand der gemessenen Daten von zehn Tagen wurden Lernproben für die Modellierung erstellt, um die Stabilität von Überwachungspunkten vorherzusagen. Dabei wurde festgestellt, dass der maximale Fehler 3,12 % beträgt. Es ist ersichtlich, dass die auf dem DL-Algorithmus basierende Stabilitätsvorhersage die technischen Anforderungen an die Genauigkeit vollständig erfüllen, die Effizienz der Minenentwicklung verbessern und eine Sicherheitsreferenz für die Minenentwicklung liefern kann.

Als nächstes werden wir den DL-Algorithmus verwenden, um die Stabilitätsberechnungsergebnisse einer Mine zu analysieren. Der Sicherheitsfaktor der Steigung wird mit dem herkömmlichen Algorithmus bzw. dem Algorithmus dieses Artikels berechnet. Die Ergebnisse sind in Tabelle 4 dargestellt.

Aus Tabelle 4 ist ersichtlich, dass der vom Algorithmus in diesem Artikel berechnete Sicherheitsfaktor etwa 7 % niedriger ist als der des herkömmlichen Algorithmus. Bei der Stabilitätsanalyse der Steigung vor der Behandlung betragen die vom herkömmlichen Algorithmus und vom Algorithmus in diesem Artikel berechneten Sicherheitsfaktoren 1,167 bzw. 1,086. Ersteres ist höher als die in der Spezifikation angegebene Sicherheitsfaktoranforderung von 1,15, aber die tatsächliche Steigung ist beschädigt, was beweist, dass die Grenzgleichgewichtsmethode der fortschreitenden Zerstörung relativ sicher ist und der Algorithmus in diesem Artikel näher an der Realität ist. Bei der Stabilitätsanalyse des Gefälles nach der Behandlung betragen die vom herkömmlichen Algorithmus und dem Algorithmus in diesem Artikel berechneten Sicherheitskoeffizienten 1,303 bzw. 1,227, und die Stabilitätskoeffizienten erfüllen die Anforderungen der Spezifikation, was darauf hinweist, dass der Behandlungsplan für die Gefällereduzierung vorgesehen ist und Lastreduzierung hat bemerkenswerte Ergebnisse erzielt.

Zusätzlich zum Vergleich zwischen dem traditionellen Algorithmus und dem Algorithmus in diesem Artikel. Wir haben auch das Stabilitätssystem des Erdrutschs mithilfe des DL-Algorithmus unter Niederschlagsbedingungen vorhergesagt. Die Ergebnisse sind in Tabelle 5 dargestellt.

Aus Tabelle 5 ist ersichtlich, dass der Sicherheitsfaktor des Gefälles weniger als 1,15 beträgt, nachdem die Niederschlagsintensität der Schemata 1, 2 und 3 24 Stunden lang anhält, und sogar weniger als 1 in den Schemata 2 und 3 beträgt scheitern und es müssen entsprechende Maßnahmen ergriffen werden. Dies zeigt auch, dass die Anwendung des DL-Algorithmus sehr gut für die Vorhersage des Steigungsstabilitätskoeffizienten geeignet ist. Und der vorhergesagte Wert stimmt mit der tatsächlichen Situation überein.

Um die Fehlerberechnungen zu vergleichen, führt dieser Artikel experimentelle Vergleiche zwischen dem bestehenden LSTM-Modell und STL-LSTM sowie dem vorgeschlagenen Deep-Learning-Modell durch. In diesem Artikel werden Datensätze für d = 1, 2 bzw. 3 erstellt. Die Ergebnisse des vorhergesagten Neigungswinkels sind in Abb. 11 und die Ergebnisse der Fehlerberechnung in Tabelle 6 dargestellt.

Der vorhergesagte Neigungswinkel ergibt sich aus Deep Learning in diesem Artikel.

Aus Abb. 11 ist ersichtlich, dass sich der vorhergesagte Wert des Neigungswinkels grundsätzlich nicht wesentlich vom tatsächlichen Wert unterscheidet. Wenn d = 1 ist, entspricht der vorhergesagte Wert im Wesentlichen dem tatsächlichen Wert, was die Verwendbarkeit von beweisen kann das in diesem Artikel entwickelte Deep-Learning-Modell.

In diesem Artikel wird der Deep-Learning-Algorithmus verwendet, um den Trend der Vorhersage des Hangstabilitätskoeffizienten in Tagebauen zu untersuchen und zu analysieren. Die Vorhersage der Stabilität ist ein wesentlicher Bestandteil der Minenentwicklung, der sich auf die Produktionseffizienz und den Sicherheitsfaktor der gesamten Mine auswirkt. Daher sollten Sie versuchen, bei der Erstellung von Stabilitätsvorhersagen Deep-Learning-Algorithmen für Berechnungen zu verwenden, damit die erhaltenen Ergebnisse näher an der Realität liegen. Es ist ersichtlich, dass die Leistung des Youden-Cutoffs im Allgemeinen besser ist als die des Basis-Cutoffs. Aufgrund des begrenzten Platzes des Artikels kann er nicht alle Aspekte abdecken. Gleichzeitig werden in der Studie nicht viele Beispiele verwendet. Dieser Algorithmus basiert auf Deep-Learning-Algorithmen der künstlichen Intelligenz und basiert auf bestimmten Annahmen. Wenn diese Annahmen nicht zutreffen, wirkt sich dies auf die Vorhersagefähigkeit des Modells aus. Dies ist auch die Einschränkung dieses Artikels. Der Autor freut sich darauf, in Zukunft mehr reale Daten zu nutzen, um tiefergehende Forschungen durchzuführen, um mehr Ausgrabungen durchzuführen und Hänge vorherzusagen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim jeweiligen Autor erhältlich.

Zhu, Q. et al. Auswirkung der Spaltung von Kohleflöz-Methanbrunnen auf die Hangstabilität von Tagebau-Kohlebergwerken: Eine Fallstudie von Shengli East Nr. 2 Tagebau-Kohlebergwerk. Adv. Zivil. Ing. 2020(3), 1–16 (2020).

Google Scholar

Besimbaeva, OG, Khmyrova, EN, Nizametdinov, FK & Oleinikova, EA Bewertung und Vorhersage der Hangstabilität im Tagebau Kentobe. J. Min. Wissenschaft. 54, 988–994 (2018).

Artikel Google Scholar

Kang, K., Fomenko, IK, Wang, J. & Nikolskaya, OV Probabilistische Bewertung der Felshangstabilität im Tagebau-Chaarat unter Verwendung des verallgemeinerten Hoek-Brown-Kriteriums. J. Min. Wissenschaft. 56(5), 7 (2020).

Artikel Google Scholar

Obregon, C. & Mitri, H. Probabilistischer Ansatz für die Analyse der Hangstabilität im Tagebau – eine Minen-Fallstudie. Int. J. Min. Wissenschaft. Technol. 29(4), 629–640 (2019).

Artikel Google Scholar

Dehghan, AN & Khodaei, M. Stabilitätsanalyse und optimale Gestaltung der endgültigen Steigung eines Tagebaus: Eine Fallstudie. Geotechnik. Geol. Ing. 40(4), 1789–1808 (2021).

Artikel Google Scholar

Du, C. & Ye, J. Entscheidungsstrategie für Hangstabilität unter Verwendung von Ähnlichkeitsmaßen zwischen intervallwertigen Fuzzy-Glaubwürdigkeitssätzen. Weich. Berechnen. 26(11), 5105–5114 (2022).

Artikel Google Scholar

Singh, UC et al. Auswirkung der vereinzelten Ablagerung von weichem Boden in Abraumhalden von Kohlebergwerken: Eine probabilistische Analyse. Indische Geotechnologie. J. 52(3), 735–741 (2022).

Artikel Google Scholar

Suman, S., Khan, SZ, Das, SK & Chand, SK Hangstabilitätsanalyse mit Techniken der künstlichen Intelligenz. Nat. Gefahren 84, 727–748 (2016).

Artikel Google Scholar

Das, SK, Biswal, RK, Sivakugan, N. & Das, B. Klassifizierung von Steigungen und Vorhersage des Sicherheitsfaktors mithilfe neuronaler Netze mit differentieller Evolution. Umgebung. Erdwissenschaft. 64, 201–210 (2011).

Artikel ADS Google Scholar

Weis, CA et al. Bewertung glomerulärer morphologischer Muster durch Deep-Learning-Algorithmen. J. Nephrol. 35(2), 417–427 (2022).

Artikel PubMed PubMed Central Google Scholar

Deng, C., Wu, K. & Wang, B. Erkennung von Wohngeräten mithilfe eines aufmerksamkeitsbasierten tiefen Faltungs-Neuronalen Netzwerks. CSEE J. Power Energy Syst. 8(2), 621–633 (2020).

Google Scholar

Tang, H. et al. Diagnose von Lymphknotenmetastasen bei Plattenepithelkarzinomen im Kopf- und Halsbereich mithilfe von Deep Learning. Laryngosc. Untersuchen. Otolaryngol. 7(1), 161–169 (2022).

Artikel Google Scholar

Alijani, S., Tanha, J. & Mohammadkhanli, L. Ein Ensemble von Deep-Learning-Algorithmen zur Vorhersage der Beliebtheit von Flickr-Bildern. Multimed. Werkzeuge Appl. 81(3), 3253–3274 (2022).

Artikel Google Scholar

Salunkhe, SS et al. Energieoptimierung für CAN-Bus- und Mediensteuerungen in Elektrofahrzeugen mithilfe von Deep-Learning-Algorithmen. J. Supercomput. 78(6), 8493–8508 (2022).

Artikel Google Scholar

Mahaur, B., Singh, N. & Mishra, KK Straßenobjekterkennung: Eine vergleichende Studie zu Deep-Learning-basierten Algorithmen. Multimed. Werkzeuge Appl. 81(10), 14247–14282 (2022).

Artikel Google Scholar

Roul, RK Auswirkungen der mehrschichtigen ELM-Feature-Mapping-Technik auf überwachte und halbüberwachte Lernalgorithmen. Weich. Berechnen. 26(1), 423–437 (2022).

Artikel MathSciNet Google Scholar

Verma, D., Thareja, R., Kainthola, A. & Singh, TN Auswertung der Hangstabilitätsanalyse von Tagebaubergwerken. Int. J. Earth Sci. Ing. 4(4), 590–600 (2011).

Google Scholar

Zhou, C., Huang, B. & Fränti, P. Ein Überblick über Bewegungsplanungsalgorithmen für intelligente Roboter. J. Intell. Hersteller 33(2), 387–424 (2022).

Artikel Google Scholar

Ibrahim, MH, Hacibeyoglu, M., Agaoglu, A. & Ucar, F. Diagnose von Glaukomerkrankungen mit einem auf künstlichen Algen basierenden Deep-Learning-Algorithmus. Med. Biol. Ing. Berechnen. 60(3), 785–796 (2022).

Artikel PubMed Google Scholar

Zhou, Y., Huang, K., Cheng, C., Wang, X. & Liu, X. LightAdam: Auf dem Weg zu einem schnellen und genauen adaptiven Momentum-Online-Algorithmus. Cogn. Berechnen. 14(2), 764–779 (2022).

Artikel Google Scholar

Sah, M. & Direkoglu, C. Eine Übersicht über Deep-Learning-Methoden zur Identifizierung von Multipler Sklerose mithilfe von MRT-Bildern des Gehirns. Neuronale Berechnung. Appl. 34(10), 7349–7373 (2022).

Artikel Google Scholar

Chen, G., Teng, S., Lin, M., Yang, X. & Sun, X. Risserkennung basierend auf generativen gegnerischen Netzwerken und Deep Learning. KSCE J. Civ. Ing. 26(4), 1803–1816 (2022).

Artikel Google Scholar

Chen, LC et al. Fehlererkennung bei kantenverleimten Holzplatten mithilfe von Deep Learning. Holzwissenschaft. Technol. 56(2), 477–507 (2022).

Artikel CAS Google Scholar

Devamane, SB & Itagi, RL Leistungsanalyse neuronaler Netzwerk-basierter Polardecodierungsalgorithmen mit unterschiedlichen Coderaten Iran. J. Comput. Wissenschaft. 5(1), 83–97 (2022).

Google Scholar

Ho, TT, Kim, GT, Kim, T., Choi, S. & Park, EK Klassifizierung von Rotatorenmanschettenrissen in Ultraschallbildern mithilfe von Deep-Learning-Modellen. Med. Biol. Ing. Berechnen. 60(5), 1269–1278 (2022).

Artikel PubMed Google Scholar

Gautam, S. et al. Vorhersage verschiedener Partikelgrößen in einem tiefen Kupfertagebau mithilfe eines rekurrenten neuronalen Netzwerks: Eine Maschine. J. Inst. Ing. Ser. Ein https://doi.org/10.1007/s40030-021-00589-y (2021).

Artikel Google Scholar

Kumar, D., Samui, P., Kim, D. & Singh, A. Eine neuartige Methode zur Klassifizierung der Bodenverflüssigung mithilfe von Deep Learning. Geotechnik. Geol. Ing. 39, 1049–1058 (2021).

Artikel Google Scholar

Samui, P. Hangstabilitätsanalyse: Ein Support-Vector-Machine-Ansatz. Umgebung. Geol. 56, 255–267 (2008).

Artikel ADS Google Scholar

Samui, P., Lansivaara, T. & Kim, D. Nutzung der Relevanzvektormaschine für die Analyse der Steigungszuverlässigkeit. Appl. Soft Comput. 11(5), 4036–4040 (2011).

Artikel Google Scholar

Samui, P. Unterstützt die Vektorklassifikatoranalyse der Steigung. Geomat. Nat. Hazards Risk 4(1), 1–12 (2013).

Artikel Google Scholar

Mahanta, B., Singh, HO, Singh, PK, Kainthola, A. & Singh, TN Stabilitätsanalyse potenzieller Fehlerzonen entlang Nh-305 Indien. Nat. Gefahren 83, 1341–1357 (2016).

Google Scholar

Kumar, M., Samui, P. & Naithani, AK Bestimmung der Stabilität epimetamorpher Felshänge mithilfe einer Minimax-Wahrscheinlichkeitsmaschine. Geomat. Nat. Gefahr. Risiko 7(1), 186–193 (2016).

Artikel Google Scholar

Referenzen herunterladen

Jugendkindergartenprojekt der Bildungsabteilung der Provinz Liaoning (Forschung zum Aufbau eines Wellengeschwindigkeitsfeldes, dessen Strahlenweg und Laufzeit unabhängig sind, und zur Methode zur Lokalisierung seismischer Quellen darin. (LJ2020QNL010).

Fakultät für Bauingenieurwesen, Technische Universität Liaoning, Fuxin, 123000, Liaoning, China

Shuai Wang, Zongbao Zhang und Chao Wang

College of Mining, Technische Universität Liaoning, Fuxin, 123000, Liaoning, China

Shuai Wang

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SW und ZZ schrieben den Hauptmanuskripttext und CW den experimentellen Betrieb und die statische Datenanalyse. Alle Autoren haben das Manuskript überprüft. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Shuai Wang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Wang, S., Zhang, Z. & Wang, C. Vorhersage des Stabilitätskoeffizienten der Tagebauneigung basierend auf einem Deep-Learning-Algorithmus mit künstlicher Intelligenz. Sci Rep 13, 12017 (2023). https://doi.org/10.1038/s41598-023-38896-y

Zitat herunterladen

Eingegangen: 25. Februar 2023

Angenommen: 17. Juli 2023

Veröffentlicht: 25. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-38896-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.