論文の概要: A comparative study on machine learning approaches for rock mass classification using drilling data
- arxiv url: http://arxiv.org/abs/2403.10404v1
- Date: Fri, 15 Mar 2024 15:37:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 16:32:11.663851
- Title: A comparative study on machine learning approaches for rock mass classification using drilling data
- Title（参考訳）: 掘削データを用いた岩盤質量分類のための機械学習手法の比較研究
- Authors: Tom F. Hansen, Georg H. Erharter, Zhongqiang Liu, Jim Torresen,
- Abstract要約: 掘削・爆発トンネルにおける現在の岩石工学設計は、技術者の観察的評価に依存している。
トンネル掘削時に収集した高分解能センサ・データセットであるMWDデータ(MWD)は未利用である。
本研究の目的は,MWDデータを岩盤工学の実用的な指標に自動変換することである。
- 参考スコア（独自算出の注目度）: 0.3749861135832073
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current rock engineering design in drill and blast tunnelling primarily relies on engineers' observational assessments. Measure While Drilling (MWD) data, a high-resolution sensor dataset collected during tunnel excavation, is underutilised, mainly serving for geological visualisation. This study aims to automate the translation of MWD data into actionable metrics for rock engineering. It seeks to link data to specific engineering actions, thus providing critical decision support for geological challenges ahead of the tunnel face. Leveraging a large and geologically diverse dataset of 500,000 drillholes from 15 tunnels, the research introduces models for accurate rock mass quality classification in a real-world tunnelling context. Both conventional machine learning and image-based deep learning are explored to classify MWD data into Q-classes and Q-values, examples of metrics describing the stability of the rock mass, using both tabular and image data. The results indicate that the K-nearest neighbours algorithm in an ensemble with tree-based models using tabular data, effectively classifies rock mass quality. It achieves a cross-validated balanced accuracy of 0.86 in classifying rock mass into the Q-classes A, B, C, D, E1, E2, and 0.95 for a binary classification with E versus the rest. Classification using a CNN with MWD-images for each blasting round resulted in a balanced accuracy of 0.82 for binary classification. Regressing the Q-value from tabular MWD-data achieved cross-validated R2 and MSE scores of 0.80 and 0.18 for a similar ensemble model as in classification. High performance in regression and classification boosts confidence in automated rock mass assessment. Applying advanced modelling on a unique dataset demonstrates MWD data's value in improving rock mass classification accuracy and advancing data-driven rock engineering design, reducing manual intervention.
- Abstract（参考訳）: 掘削・爆発トンネルにおける現在の岩石工学設計は、主に技術者の観察的評価に依存している。
トンネル掘削時に収集された高分解能センサデータセットであるMWDデータ(英語版)は、主に地質学的可視化に役立ち、未利用である。
本研究の目的は,MWDデータを岩盤工学の実用的な指標に自動変換することである。
特定のエンジニアリング活動にデータをリンクし、トンネル面に先立って地質学的課題を決定的に支援することを目指している。
この研究は、15のトンネルから50万の掘削孔の大規模かつ地質学的に多様なデータセットを活用し、実際のトンネル環境での正確な岩質の分類モデルを導入している。
従来の機械学習と画像に基づくディープラーニングの両方を用いて,MWDデータをQクラスとQ値に分類する。
その結果,K-アネレストアルゴリズムは,表層データを用いた木モデルとのアンサンブルにより,岩盤の質量品質を効果的に分類できることが示唆された。
岩石質量を、A、B、C、D、E1、E2、および0.95のQクラスに分類し、Eと他の2値の2値分類を行う。
CNNとMWD画像の分類は、各ブラストラウンドで2進分類で0.82のバランスの取れた精度となった。
表形式MWDデータからのQ値の回帰は、分類と同様のアンサンブルモデルに対して、クロスバリデーションR2とMSEスコア0.80と0.18を達成した。
回帰と分類の高性能は、自動岩盤質量評価の信頼性を高める。
ユニークなデータセットに高度なモデリングを適用することで、MWDデータの価値がロック質量分類の精度を改善し、データ駆動のロックエンジニアリング設計を推し進め、手作業による介入を減らすことができる。
関連論文リスト
- Classification of Raw MEG/EEG Data with Detach-Rocket Ensemble: An Improved ROCKET Algorithm for Multivariate Time Series Analysis [0.0]
本稿では,脳波やMEGなどの高次元データを扱うための新しいROCKETアルゴリズムであるDetach-Rocket Ensembleを提案する。
我々のアルゴリズムはプルーニングを利用してチャネルの重要度を総合的に推定し、より正確な精度とラベルの確率を与える。
Detach-Rocket Ensembleは、生の脳データに直接適用しても、解釈可能なチャネル関連性と競合する分類精度の両方を提供できることを示す。
論文 参考訳（メタデータ） (2024-08-05T18:24:09Z) - Unsupervised machine learning for data-driven rock mass classification: addressing limitations in existing systems using drilling data [0.0]
世界の地下建設の安定性とリスクを評価するためには,岩盤の質量分類システムが不可欠である。
これらの制限を概説し、ドリルデータに基づくデータ駆動システムがそれを克服する方法について説明する。
トンネルプロファイルの1メートル区間における数千のMWDデータから抽出した統計情報を用いて, 適切に定義されたクラスタが, 様々な分類システムの基礎となることを実証した。
論文 参考訳（メタデータ） (2024-05-04T10:54:07Z) - Automated detection of motion artifacts in brain MR images using deep
learning and explainable artificial intelligence [0.0]
本研究は,T1強調脳画像における剛性運動を検出する深層学習モデルを示す。
このモデルは6つのモーションシミュレーションされた振り返りデータセットで85%と80%の平均精度とリコール基準を達成した。
このモデルはArtifactIDツールの一部であり、ギブスリング、ラップアラウンド、モーションアーティファクトのインライン自動検出を目的としている。
論文 参考訳（メタデータ） (2024-02-13T19:36:23Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z) - Classification of structural building damage grades from multi-temporal
photogrammetric point clouds using a machine learning model trained on
virtual laser scanning data [58.720142291102135]
実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。
我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。
このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
論文 参考訳（メタデータ） (2023-02-24T12:04:46Z) - A Case Study on the Classification of Lost Circulation Events During
Drilling using Machine Learning Techniques on an Imbalanced Large Dataset [0.0]
イランのアザデガン油田から得られた65,000以上のデータと階級不均衡問題を利用する。
データセットの17のパラメータのうち11は、5つの失われた循環イベントの分類に使用される。
分類モデルを生成するために,6つの基本機械学習アルゴリズムと4つのアンサンブル学習手法を用いた。
論文 参考訳（メタデータ） (2022-09-04T12:28:40Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。
NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。
我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-23T09:35:03Z) - Crack detection using tap-testing and machine learning techniques to
prevent potential rockfall incidents [68.8204255655161]
本稿では,岩盤の自動探傷システムを提案する。
ロボットは、岩面を何度も打ったり、タップしたりするのに使用される。
音はロボットによって収集され、壊れやすい岩を識別する意図で分類される。
論文 参考訳（メタデータ） (2021-10-10T22:53:36Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Real-Time Well Log Prediction From Drilling Data Using Deep Learning [2.064612766965483]
距離に基づくグローバル感性分析を用いたデータ拡張と特徴工学のためのワークフローを提案する。
Inception-based Convolutional Neural Network with a Temporal Convolutional Network as the Deep Learning model。
北海のVolveフィールドのEquinorデータセットから12の井戸が学習に使用されている。
論文 参考訳（メタデータ） (2020-01-28T03:57:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。