预测爆破后隧道的横截面积

Chi Thanh Nguyen, Nghia Viet Nguyen
{"title":"预测爆破后隧道的横截面积","authors":"Chi Thanh Nguyen, Nghia Viet Nguyen","doi":"10.29227/im-2023-02-11","DOIUrl":null,"url":null,"abstract":"W artykule wykorzystano dwie metody przewidywania i obliczania powierzchni przodka tunelu po odpaleniu materiałów strzałowych.Pierwsza wykorzystuje model sztucznej sieci neuronowej (ANN), a druga – regresję wektora nośnego (SVR). Po zbudowaniu modeli predykcyjnych dla powierzchni przodka tunelu po przeprowadzeniu analizy obiema metodami porównano wyniki uzyskane i oceniono je przez porównanie pierwiastka średniokwadratowego błędu RMSE i współczynnika determinacji R2. Wartości RMSE i R2 modelu systemu sztucznej sieci neuronowej (ANN) otrzymano jako 0,1473 i 0,903 dla danych próbnych. Wartości te wynoszą 0,1497 i 0,9107 w testowanych zbiorach danych. W modelu SRV RMSE i R2 były równe odpowiednio do 0,1228 i 0,9331 w zbiorach danych próbnych oraz 0,1708 i 0,9055 w testowych zbiorach danych. Wyniki pozwoliły na postawienie wniosku, że sztuczną inteligencję wykorzystującą modele ANN i SVM można wykorzystać do przewidywania powierzchni przodka tunelu po zastosowaniu materiałów wybuchowych z dużą dokładnością.","PeriodicalId":14535,"journal":{"name":"Inżynieria Mineralna","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-12-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Prognozowanie pola przekroju poprzecznego tunelu po wykonaniu strzelania\",\"authors\":\"Chi Thanh Nguyen, Nghia Viet Nguyen\",\"doi\":\"10.29227/im-2023-02-11\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"W artykule wykorzystano dwie metody przewidywania i obliczania powierzchni przodka tunelu po odpaleniu materiałów strzałowych.Pierwsza wykorzystuje model sztucznej sieci neuronowej (ANN), a druga – regresję wektora nośnego (SVR). Po zbudowaniu modeli predykcyjnych dla powierzchni przodka tunelu po przeprowadzeniu analizy obiema metodami porównano wyniki uzyskane i oceniono je przez porównanie pierwiastka średniokwadratowego błędu RMSE i współczynnika determinacji R2. Wartości RMSE i R2 modelu systemu sztucznej sieci neuronowej (ANN) otrzymano jako 0,1473 i 0,903 dla danych próbnych. Wartości te wynoszą 0,1497 i 0,9107 w testowanych zbiorach danych. W modelu SRV RMSE i R2 były równe odpowiednio do 0,1228 i 0,9331 w zbiorach danych próbnych oraz 0,1708 i 0,9055 w testowych zbiorach danych. Wyniki pozwoliły na postawienie wniosku, że sztuczną inteligencję wykorzystującą modele ANN i SVM można wykorzystać do przewidywania powierzchni przodka tunelu po zastosowaniu materiałów wybuchowych z dużą dokładnością.\",\"PeriodicalId\":14535,\"journal\":{\"name\":\"Inżynieria Mineralna\",\"volume\":null,\"pages\":null},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-12-28\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Inżynieria Mineralna\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.29227/im-2023-02-11\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Inżynieria Mineralna","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.29227/im-2023-02-11","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

摘要

本文采用了两种方法来预测和计算爆破材料点火后的隧道工作面面积,第一种方法使用了人工神经网络(ANN)模型,第二种方法使用了支持向量回归(SVR)模型。在使用这两种方法构建隧道工作面分析预测模型后,通过比较均方根误差 RMSE 和判定系数 R2,对所获得的结果进行了比较和评估。对于样本数据,人工神经网络(ANN)系统模型的均方根误差 RMSE 和 R2 值分别为 0.1473 和 0.903。在测试数据集中,这两个值分别为 0.1497 和 0.9107。在 SRV 模型中,样本数据集的 RMSE 和 R2 分别为 0.1228 和 0.9331,测试数据集的 RMSE 和 R2 分别为 0.1708 和 0.9055。这些结果使我们得出结论,使用 ANN 和 SVM 模型的人工智能可以高精度地预测施放炸药后的隧道工作面。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
Prognozowanie pola przekroju poprzecznego tunelu po wykonaniu strzelania
W artykule wykorzystano dwie metody przewidywania i obliczania powierzchni przodka tunelu po odpaleniu materiałów strzałowych.Pierwsza wykorzystuje model sztucznej sieci neuronowej (ANN), a druga – regresję wektora nośnego (SVR). Po zbudowaniu modeli predykcyjnych dla powierzchni przodka tunelu po przeprowadzeniu analizy obiema metodami porównano wyniki uzyskane i oceniono je przez porównanie pierwiastka średniokwadratowego błędu RMSE i współczynnika determinacji R2. Wartości RMSE i R2 modelu systemu sztucznej sieci neuronowej (ANN) otrzymano jako 0,1473 i 0,903 dla danych próbnych. Wartości te wynoszą 0,1497 i 0,9107 w testowanych zbiorach danych. W modelu SRV RMSE i R2 były równe odpowiednio do 0,1228 i 0,9331 w zbiorach danych próbnych oraz 0,1708 i 0,9055 w testowych zbiorach danych. Wyniki pozwoliły na postawienie wniosku, że sztuczną inteligencję wykorzystującą modele ANN i SVM można wykorzystać do przewidywania powierzchni przodka tunelu po zastosowaniu materiałów wybuchowych z dużą dokładnością.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
期刊最新文献
Rozwiązanie poprawiające dokładność pozycji poziomej i pionowej punktów mierzonych technologią GNSS/CORS przy tworzeniu wielkoskalowych map topograficznych Wietnamu Znaczenie paliw kopalnych w miksie energetycznym Finlandii Możliwości magazynowania gazu ziemnego i energii w utworach solnych na terenie Polski Lean Green – integracja Lean Manufacturing i zrównoważonego rozwoju w świetle dążenia do prowadzenia działalności efektywnej ekonomicznie i środowiskowo Autokompresja jako sposób akumulacji energii odpadowej podczas wynurzania się autonomicznego modułu transportowego wykorzystującego zmianę wyporności
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1