DEMIN - Departamento de Engenharia de Minas
URI permanente desta comunidadehttp://www.hml.repositorio.ufop.br/handle/123456789/510
Navegar
7 resultados
Resultados da Pesquisa
Item Evaluation of machine learning methods for rock mass classification.(2022) Santos, Allan Erlikhman Medeiros; Lana, Milene Sabino; Pereira, Tiago MartinsSolutions in geotechnics have been optimizing with the aid of machine learning methods. The aim of this paper is to apply different machine learning algorithms in order to achieve rock mass classification. It is demonstrated that RMR classifi- cation system can be obtained using only variables which are closely related to rock mass quality, instead of all RMR variables, without missing significant accuracy. The different machine learning algorithms used are the naı ̈ve Bayes, random forest, artificial neural networks and support vector machines. The variables to calculate RMR, selected by factor analysis, are: rock strength, rock weathering, spacing, persistence and aperture of discontinuities and presence of water. The machine learning models were trained and tested thirty times, with random subsampling, using two-thirds of the total database for training sample. The models presented average accuracy greater than 0.81, which was calculated from the confusion matrix, using the proportion of true positives and true negatives in the test sample. Significant values of efficiency, precision and reproducibility rates were achieved. The study shows the application of machine learning algorithms allows obtaining the RMR classes, even with a small number of variables. In addition, the results of the evaluation metrics of the developed algorithms show that the methodology can be applied to new database, working as a valuable way to achieve rock mass classification.Item Rock mass classification by multivariate statistical techniques and artificial intelligence.(2020) Santos, Allan Erlikhman Medeiros; Lana, Milene Sabino; Pereira, Tiago MartinsThis study aims to improve the quality and accuracy of RMR classification system for rock masses in open pit mines. A database of open pit mines comprising basic parameters for obtaining the RMR was used. Techniques applied in this research were multivariate statistics and artificial intelligence. In relation to multivariate statistics, factor analysis was capable of identifying underlying factors not observable in the original variables, using the variables of these factors in the classification system, instead of all RMR variables. The proposed classifier was obtained by training neural networks. The results of the factor analysis allowed the identification of three common factors. Factor 1 represents the strength and weathering of the rock mass. Factor 3 represents the fracturing degree of the rock mass. Finally Factor 2 represents water flow conditions. Thirty artificial neural networks were trained with randomly selected training samples. The trained networks proved to be effective and stable. Regarding the validation of the networks, the values obtained for the overall probability of success and apparent error rate showed normal distributions and a low dispersion rate, with average rates of 0.87 and 0.13, respectively. Regarding specific errors, error values were recorded only between contiguous RMR classes. The major contribution of the study is to present a new methodology for achieving rock mass classifications based on mathematical and statistical fundamentals, aiming at optimising the selection of variables and consequent reduction of subjectivity in the parameters and classification methods.Item Classificação de maciços rochosos por meio de técnicas da estatística multivariada e inteligência artificial.(2021) Santos, Allan Erlikhman Medeiros; Lana, Milene Sabino; Pereira, Tiago Martins; Lana, Milene Sabino; Klen, André Monteiro; Cabral, Ivo Eyer; Bacellar, Luis de Almeida Prado; Parizzi, Maria GiovanaA presente pesquisa tem como objetivo a proposição de novos modelos para classificação de maciços rochosos brasileiros, baseados no sistema RMR. O banco de dados utilizado possui informações dos parâmetros básicos para obtenção do sistema Rock Mass Rating (RMR). Os modelos propostos são baseados em técnicas da estatística multivariada e técnicas de inteligência artificial. A seleção das variáveis foi feita a partir da análise fatorial. Os modelos de classificação foram treinados por meio de dois tipos de aprendizagem, a supervisionada e a não supervisionada. O processo de aprendizagem se baseia na identificação de padrões no comportamento das variáveis do banco de dados, estabelecendo modelos preditivos no processo de aprendizagem supervisionada e modelos descritivos na aprendizagem não-supervisionada. Portanto, na aprendizagem supervisionada a variável classe (target) deve ser fornecida ao algoritmo, já na aprendizagem não-supervisionada o algoritmo irá indicar os grupos (clusters) com base no comportamento das variáveis, posto isso os clusters são grupos constituídos de amostras similares, com variáveis com comportamento semelhante. Nos métodos supervisionados foram utilizadas as técnicas de redes neurais artificiais, naïve Bayes, random forest e máquinas de vetores de suporte. Para o modelo por aprendizagem não supervisionada foi utilizado o algoritmo partitioning around medoids. A utilização destes métodos quantitativos reduz a subjetividade dos sistemas propostos. O resultado da análise fatorial permitiu a identificação de três fatores comuns, Fator 1, relacionado à resistência e à alteração da rocha; Fator 3, relacionado ao grau de fraturamento do maciço rochoso e Fator 2, relacionado à condição e presença de água no maciço. Assim, a partir da análise fatorial foi feita a seleção das variáveis para o sistema de classificação. Posto isso, um número menor de variáveis foi utilizado, o que difere do sistema de classificação RMR. Os modelos treinados por aprendizagem supervisionada se adequaram à solução do problema abordado, com excelente desempenho para modelos preditivos, apresentando altas taxas de acurácia, precisão e eficácia. Os valores médios de acurácia dos modelos treinados foram de 0,81; 0,89; 0,87 e 0,89 para naïve Bayes, random forest, redes neurais artificiais e máquinas de vetores de suporte, respectivamente. Estes resultados mostraram a possibilidade de definir as classes do RMR com um número menor de variáveis, e que as variáveis selecionadas são realmente os parâmetros mais importantes para determinar a qualidade do maciço rochoso. O modelo treinado pela aprendizagem não supervisionada indicou a formação de 7 grupos, rotulados a partir da V interpretação dos valores das variáveis em cada grupo em conjunto com o valor da variável Pontuação. Os grupos formados foram a Classe A com maciços com resistência alta, pouco alterado, pouco fraturado e seco; Classe B com maciços com resistência média, pouco alterado, com fraturamento médio e seco; Classe C com maciços com resistência alta, pouco alterado, com fraturamento médio e molhado; Classe D com maciços com resistência baixa, muito alterado, pouco fraturado e seco; Classe E com maciços com resistência média, alteração média, com fraturamento médio e molhado; Classe F com maciço com resistência baixa, alteração alta, pouco fraturado e molhado; por fim a Classe G com maciço com resistência baixa, alteração alta, muito fraturado e molhado. O trabalho apresenta novas abordagens para lidar com sistemas de classificação de maciços rochosos, diminuindo a subjetividade, aumentando a seletividade dos parâmetros, reduzindo a dimensionalidade de bancos de dados geotécnicos e otimizando a aplicação de sistemas de classificação. Embora a matemática das técnicas aplicadas seja complexa, os resultados são de fácil interpretação e aplicação. Assim, acredita-se na confiabilidade dos modelos preditivos propostos, além da possibilidade de otimização por meio da utilização de bases de dados mais amplas.Item Evaluation of rock slope stability conditions through discriminant analysis.(2018) Santos, Allan Erlikhman Medeiros; Lana, Milene Sabino; Cabral, Ivo Eyer; Pereira, Tiago Martins; Naghadehi, Masoud Zare; Silva, Denise de Fátima Santos da; Santos, Tatiana Barreto dosA methodology to predict the stability status of mine rock slopes is proposed. Two techniques of multivariate statistics are used: principal component analysis and discriminant analysis. Firstly, principal component analysis was applied in order to change the original qualitative variables into quantitative ones, as well as to reduce data dimensionality. Then, a boosting procedure was used to optimize the resulting function by the application of discriminant analysis in the principal components. In this research two analyses were performed. In the first analysis two conditions of slope stability were considered: stable and unstable. In the second analysis three conditions of slope stability were considered: stable, overall failure and failure in set of benches. A comprehensive geotechnical database consisting of 18 variables measured in 84 pit-walls all over the world was used to validate the methodology. The discriminant function was validated by two different procedures, internal and external validations. Internal validation presented an overall probability of success of 94.73% in the first analysis and 68.42% in the second analysis. In the second analysis the main source of errors was due to failure in set of benches. In external validation, the discriminant function was able to classify all slopes correctly, in analysis with two conditions of slope stability. In the external validation in the analysis with three conditions of slope stability, the discriminant function was able to classify six slopes correctly of a total of nine slopes. The proposed methodology provides a powerful tool for rock slope hazard assessment in open-pit mines.Item Cluster analysis for slope geotechnical prioritization of intervention for the Estrada de Ferro Vitória-Minas.(2017) Silva, Denise de Fátima Santos da; Santos, Allan Erlikhman Medeiros; Ferreira, Bruno Trindade; Pereira, Tiago Martins; Corteletti, Rosyelle CristinaThis article proposes the geotechnical prioritization of intervention of slopes with landslide scars for the Estrada de Ferro Vitória-Minas by cluster analysis and also the proposition of a relationship between area and volume in landslide scars. Cluster definition helps the decision-making associated to containment measures, mapping and study of landslides for the Estrada de Ferro Vitória-Minas. The database is composed of the variables: slope’s height, inclination, scar area and scar volume. The distance measure used was Gower’s index, with Ward’s methods to build the clusters. Eight characteristic groups were identified. It was possible to identify stretches that need attention in relation to the propensity of landslides, such as Group 7, stretches 362+600, 093+xxxE and 419+000. Group 7 presented high values for the scarred area and volume, such as maximum area 9.75 x 104 m² and minimum area 7.49 x 104 m², and maximum volume 9.20 x 105 m³ and minimum volume 4.08 x105 m³. Group 7 presented high ranges for slope height and inclination. The set of results about Group 7 can be interpreted as stretches with a predisposition for landslides. In relation to intervention measures, Group 7 presents the sections with priority. The relationship between area and volume of landslide scars obtained by the research was compared with the relationships established in literature.Item Applicability of geomechanical classifications for estimation of strength properties in Brazilian rock masses.(2017) Santos, Tatiana Barreto dos; Lana, Milene Sabino; Santos, Allan Erlikhman Medeiros; Silveira, Larissa Regina CostaMany authors have been proposed several correlation equations between geomechanical classifications and strength parameters. However, these correlation equations have been based in rock masses with different characteristics when compared to Brazilian rock masses. This paper aims to study the applicability of the geomechanical classifications to obtain strength parameters of three Brazilian rock masses. Four classification systems have been used; the Rock Mass Rating (RMR), the Rock Mass Quality (Q), the Geological Strength Index (GSI) and the Rock Mass Index (RMi). A strong rock mass and two soft rock masses with different degrees of weathering located in the cities of Ouro Preto and Mariana, Brazil; were selected for the study. Correlation equations were used to estimate the strength properties of these rock masses. However, such correlations do not always provide compatible results with the rock mass behavior. For the calibration of the strength values obtained through the use of classification systems, stability analyses of failures in these rock masses have been done. After calibration of these parameters, the applicability of the various correlation equations found in the literature have been discussed. According to the results presented in this paper, some of these equations are not suitable for the studied rock masses.Item Predição da condição de estabilidade de taludes de mina por meio de estatística multivariada.(2016) Santos, Allan Erlikhman Medeiros; Lana, Milene Sabino; Cabral, Ivo Eyer; Lana, Milene Sabino; Pereira, Tiago Martins; Klen, André MonteiroNa geociências, as técnicas multivariadas encontram amplo campo de aplicação, tais como as técnicas de agrupamentos, analise fatorial, componentes principais, regressão multivariada, análise discriminante, entre outras (Andriotti, 1997). Neste contexto o presente trabalho propõe a aplicação de técnicas multivariadas a um banco de dados geotécnico, com objetivo de predizer as condições de estabilidade de taludes de mina. O objetivo da pesquisa é aplicar técnicas de estatística multivariada a um banco de dados geotécnico com o intuito de discriminar os taludes de mina quanto às suas condições de estabilidade. Foi utilizado o banco de dados geotécnico proposto por Naghadehi et al. (2013), que apresenta 84 taludes coletados em diferentes locais do mundo com 18 variáveis relacionadas a parâmetros geomecânicos e características dos taludes, e uma variável qualitativa relacionada às condições de estabilidade dos taludes. A metodologia propõe primeiramente a aplicação da análise de componentes principais e em seguida a aplicação do procedimento boosting nas componentes principais geradas pela análise de componentes principais, utilizando como classificador base a função discriminante linear de Fisher. O classificador, baseado na análise discriminante, gerado pela metodologia foi validado apresentando probabilidade global de acerto de 94,73% e consequentemente uma taxa de erro aparente de 5,26%, sendo que o erro relacionado aos casos em que taludes instáveis são classificados como estáveis, apresentou valores desprezíveis e o erro relacionado aos casos em que taludes estáveis sejam classificados como instáveis, apresentou uma taxa de 10,0%. No contexto do trabalho as técnicas estatísticas multivariadas forneceram uma ferramenta simples e com grande aplicabilidade para as operações de mineração relacionadas à estabilidade de taludes.