論文の概要: Unsupervised machine learning for data-driven classification of rock mass using drilling data: How can a data-driven system handle limitations in existing rock mass classification systems?
- arxiv url: http://arxiv.org/abs/2405.02631v1
- Date: Sat, 4 May 2024 10:54:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 19:10:59.446386
- Title: Unsupervised machine learning for data-driven classification of rock mass using drilling data: How can a data-driven system handle limitations in existing rock mass classification systems?
- Title（参考訳）: 掘削データを用いた岩盤質量分類のための教師なし機械学習 : 既存の岩盤質量分類システムにおいて,データ駆動システムはどうやって限界を扱えるのか?
- Authors: T. F. Hansen, A. Aarset,
- Abstract要約: 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。
1970年代に開発された岩石の質量分類システムは、現代の高解像度データや高度な統計技術にアクセスできない。
本研究では,岩盤群分類システムの基本基盤として機能する,明確に定義されたクラスターを形成することができることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rock mass classification systems are crucial for assessing stability and risk in underground construction globally and guiding support and excavation design. However, systems developed primarily in the 1970s lack access to modern high-resolution data and advanced statistical techniques, limiting their effectiveness as decision-support systems. Initially, we outline the limitations observed in this context and later describe how a data-driven system, based on drilling data as detailed in this study, can overcome these limitations. Using extracted statistical information from thousands of MWD-data values in one-meter sections of a full tunnel profile, thus working as a signature of the rock mass, we have demonstrated that it is possible to form well-defined clusters that can act as a foundational basis for various rock mass classification systems. We reduced the dimensionality of 48-value vectors using nonlinear manifold learning techniques (UMAP) and linear principal component analysis (PCA) to enhance clustering. Unsupervised machine learning methods (HDBSCAN, Agglomerative Clustering, K-means) were employed to cluster the data, with hyperparameters optimised through multi-objective Bayesian optimisation for effective clustering. Using domain knowledge, we experienced improved clustering and system tuning opportunities in adding extra features to core clusters of MWD-data. We structured and correlated these clusters with physical rock mass properties, including labels of rock type and rock quality, and analysed cumulative distributions of key MWD-parameters for rock mass assessment to determine if clusters meaningfully differentiate rock masses. The ability of MWD data to form distinct rock mass clusters suggests substantial potential for future classification systems grounded in this objective, data-driven methodology, free from human bias.
- Abstract（参考訳）: 地下構造物の安定性とリスクを世界規模で評価し, その支援と発掘設計を導く上で, 岩盤質量分類システムの重要性が示唆された。
しかし、主に1970年代に開発されたシステムは、現代の高解像度データや高度な統計技術へのアクセスを欠き、意思決定支援システムとしての有効性を制限した。
当初、この文脈で観測された限界を概説し、その後、ドリルデータに基づくデータ駆動システムがこれらの制限を克服する方法について説明した。
フル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,岩盤質量のシグネチャとして機能し,岩盤質量分類の基盤として機能する,明確に定義されたクラスターを形成することが可能であることを実証した。
非線形多様体学習法(UMAP)と線形主成分分析(PCA)を用いて48値ベクトルの次元性を低減し,クラスタリングを強化した。
教師なし機械学習手法(HDBSCAN,Agglomerative Clustering,K-means)を用いてデータをクラスタリングし,マルチオブジェクトベイズ最適化によりハイパーパラメータを最適化し,効率的なクラスタリングを行った。
ドメイン知識を利用することで、MWDデータのコアクラスタに追加機能を追加することにより、クラスタリングとシステムチューニングの機会が改善されました。
我々は,これらのクラスターを,岩盤タイプや岩質のラベルを含む物理岩盤質量特性と相関させ,岩盤質量評価のためのキーMWDパラメータの累積分布を分析して,岩盤質量を有意に区別するかどうかを判定した。
MWDデータの岩団クラスター形成能力は、この客観的なデータ駆動手法に基づく将来の分類システムにとって、人間の偏見を伴わない大きな可能性を示唆している。
関連論文リスト
- Fuzzy K-Means Clustering without Cluster Centroids [79.19713746387337]
ファジィK平均クラスタリングは教師なしデータ解析において重要な計算手法である。
本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィK平均クラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-04-07T12:25:03Z) - A comparative study on machine learning approaches for rock mass classification using drilling data [0.3749861135832073]
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。
論文 参考訳（メタデータ） (2024-03-15T15:37:19Z) - Unsupervised Learning for Fault Detection of HVAC Systems: An OPTICS
-based Approach for Terminal Air Handling Units [1.0878040851638]
本研究では,ターミナルエアハンドリングユニットとその関連システムにおける故障を検出するための教師なし学習戦略を提案する。
この手法は、主成分分析を用いて歴史的センサデータを前処理して次元を合理化する。
その結果,オプティクスは季節ごとの精度で常にk平均を上回っていた。
論文 参考訳（メタデータ） (2023-12-18T18:08:54Z) - Robust and Automatic Data Clustering: Dirichlet Process meets
Median-of-Means [18.3248037914529]
本稿では,モデルに基づく手法とセントロイド方式の原理を統合することにより,効率的かつ自動的なクラスタリング手法を提案する。
クラスタリング誤差の上限に関する統計的保証は,既存のクラスタリングアルゴリズムよりも提案手法の利点を示唆している。
論文 参考訳（メタデータ） (2023-11-26T19:01:15Z) - Hard Regularization to Prevent Deep Online Clustering Collapse without
Data Augmentation [65.268245109828]
オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。
オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。
本稿では,データ拡張を必要としない手法を提案する。
論文 参考訳（メタデータ） (2023-03-29T08:23:26Z) - Clustering individuals based on multivariate EMA time-series data [2.0824228840987447]
エコロジー・モメンタリー・アセスメント(EMA)の方法論は、時間集約的、反復的、個人内測定の新たな機会を提供する。
高度な機械学習(ML)手法は、データ特性を理解し、基礎となる複雑な心理的プロセスに関する意味のある関係を明らかにするために必要である。
論文 参考訳（メタデータ） (2022-12-02T13:33:36Z) - Deep Clustering: A Comprehensive Survey [53.387957674512585]
クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。
ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。
ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
論文 参考訳（メタデータ） (2022-10-09T02:31:32Z) - Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。
特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。
ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
論文 参考訳（メタデータ） (2022-10-04T15:22:39Z) - Enhancing cluster analysis via topological manifold learning [0.3823356975862006]
クラスタ化前にデータセットのトポロジ構造を推定することで,クラスタ検出を大幅に向上させることができることを示す。
位相構造を推定するための多様体学習法UMAPと密度に基づくクラスタリング法DBSCANを組み合わせた。
論文 参考訳（メタデータ） (2022-07-01T15:53:39Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z) - Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。
本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。
我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
論文 参考訳（メタデータ） (2020-07-06T08:11:03Z)
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。