論文の概要: Unsupervised machine learning for data-driven rock mass classification: addressing limitations in existing systems using drilling data

• arxiv url: http://arxiv.org/abs/2405.02631v2
• Date: Sat, 23 Nov 2024 12:49:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:13:47.192999
• Title: Unsupervised machine learning for data-driven rock mass classification: addressing limitations in existing systems using drilling data
• Title（参考訳）: データ駆動型岩盤質量分類のための教師なし機械学習-掘削データを用いた既存システムの限界に対処する
• 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。 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Rock mass classification systems are crucial for assessing stability and risk in underground construction globally and guiding support and excavation design. However, these systems, developed primarily in the 1970s, lack access to modern high-resolution data and advanced statistical techniques, limiting their effectiveness as decision-support systems. We outline these limitations and describe how a data-driven system, based on drilling data, can overcome them. Using statistical information extracted from thousands of MWD-data values in one-meter sections of a tunnel profile, acting as a signature of the rock mass, we demonstrate that well-defined clusters can form a foundational basis for various classification systems. Representation learning was used to reduce the dimensionality of 48-value vectors via a nonlinear manifold learning technique (UMAP) and linear principal component analysis (PCA) to enhance clustering. Unsupervised machine learning methods (HDBSCAN, Agglomerative Clustering, K-means) clustered the data, with hyperparameters optimised through multi-objective Bayesian optimisation. Domain knowledge improved clustering by adding extra features to core MWD-data clusters. We structured and correlated these clusters with physical rock properties, including rock type and quality, and analysed cumulative distributions of key MWD-parameters 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 using this objective, data-driven methodology, minimising 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、これらのシステムは1970年代に主に開発され、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ず、意思決定支援システムとしての有効性を制限した。 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。 トンネル断面の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岩盤塊のサインとして用いて, 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。 表現学習は, 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)は、多目的ベイズ最適化によって最適化されたハイパーパラメータを用いてデータをクラスタリングした。 ドメイン知識は、コアMWDデータクラスタに追加機能を追加することでクラスタリングを改善した。 我々は,これらのクラスターを岩石の種類や品質などの物理特性と相関し,鍵MWDパラメータの累積分布を分析し,岩石塊を有意に区別するかどうかを決定した。 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を用いて、人間のバイアスを最小限に抑えることによって、将来の分類システムにとって大きな可能性を示唆している。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• 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)
• 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)
• A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
  異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。 ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。 厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
  論文  参考訳（メタデータ） (2022-09-22T09:04:10Z)
• 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)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• 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)

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。