Gradient Boosting-Based Computational Method for Predicting Uniaxial Compressive Strength of Cemented Hydraulic Backfill

Tief unter der Erdoberfläche, wo Bergleute wertvolle Ressourcen abbauen, bleiben riesige leere Räume zurück. Wenn diese Hohlräume nicht gestützt werden, kann der Boden darüber einstürzen, was eine gefährliche Umgebung für die Arbeiter schafft und die Stabilität des gesamten Betriebs bedroht. Um dies zu verhindern, füllen Ingenieure diese leeren Kammern mit einer speziellen Mischung, die als zementierte hydraulische Verfüllung bekannt ist. Dieses Material ist im Wesentlichen ein Brei aus zerkleinerten Abraumgesteinen, Rückständen aus dem Bergbauprozess, Wasser und Zement. Sobald es in die unterirdischen Hohlräume gepumpt wird, härtet es mit der Zeit aus und wirkt wie ein fester Boden, der das Minendach stützt und einen sichereren, effizienteren Abbau der verbleibenden Mineralien ermöglicht. Das entscheidende Maß dafür, wie gut diese Verfüllung funktionieren wird, ist ihre Fähigkeit, unter Druck nicht zerdrückt zu werden – eine Eigenschaft, die Ingenieure als einachsige Druckfestigkeit bezeichnen. Die genaue Vorhersage dieser Festigkeit ist lebenswichtig; wenn die Mischung zu schwach ist, könnte die Mine versagen, aber wenn sie überdimensioniert ist, wird das Projekt unnötig teuer.

Seit Jahrzehnten beruht die Bestimmung der richtigen Mischung der Zutaten auf Versuch und Irrtum oder einfachen Formeln, die oft die komplexen, nicht-linearen Arten und Weise übersehen, wie diese Materialien miteinander interagieren. Eine neue Studie, die von Forschern der China University of Mining and Technology und internationalen Partnern veröffentlicht wurde, bietet einen anderen Ansatz. Anstatt sich auf traditionelle Gleichungen zu verlassen, wandten sie sich einer Familie fortschrittlicher Computeralgorithmen zu, die als Gradient Boosting Machines bekannt sind. Dies sind leistungsstarke Werkzeuge, die aus Daten lernen, indem sie eine Serie einfacher Modelle erstellen, von denen jedes die Fehler des vorherigen korrigiert, um einen hochpräzisen Prädiktor zu erschaffen. Die Forscher sammelten einen massiven Datensatz aus 1.641 realen Beispielen, in dem die spezifischen Mengen des verwendeten Zements, die Dauer der Aushärtezeit, die Konzentration der Feststoffe in der Mischung und das Verhältnis von Aggregat zu Rückständen aufgezeichnet wurden. Sie speisten diese Informationen dann in vier verschiedene Arten dieser Lernalgorithmen ein, um zu sehen, welcher die endgültige Festigkeit des ausgehärteten Backfills am besten vorhersagen konnte.

Die Studie testete mehrere Variationen dieser Lernmodelle, darunter LightGBM, CatBoost, AdaBoost und eine Standard-Gradient-Boosting-Machine. Das Ziel war nicht nur, ein Modell zu finden, das die Festigkeit erraten konnte, sondern eines, das dies zuverlässig bei neuen, ungesehenen Daten tun konnte, ohne durch das Rauschen in den Informationen verwirrt zu werden. Nachdem die Modelle auf 80 Prozent der Daten trainiert und auf den verbleibenden 20 Prozent getestet worden waren, waren die Ergebnisse eindeutig. Das Standard-Gradient-Boosting-Machine-Modell erwies sich als das effektivste Werkzeug. Es erreichte ein hohes Maß an Genauigkeit, indem es die Festigkeitswerte mit einem statistischen Wert von 0,86 auf den Testdaten korrekt vorhersagte, während es den durchschnittlichen Fehler sehr niedrig hielt. Diese Leistung war besser als die der anderen Modelle, die entweder Schwierigkeiten hatten, auf neue Daten zu generalisieren, oder weniger konsistente Ergebnisse lieferten. Die Ergebnisse legen nahe, dass dieser spezifische Typ von Algorithmus besonders gut geeignet ist, um die komplizierten Beziehungen zwischen den Zutaten und der endgültigen Festigkeit zu erfassen.

Über die reine Vorhersage hinaus wollten die Forscher verstehen, warum die Modelle ihre Entscheidungen trafen. In vielen fortschrittlichen Computersystemen sind die inneren Abläufe eine „Black Box“, was bedeutet, dass selbst die Schöpfer nicht leicht erklären können, wie eine Eingabe zu einer Ausgabe führt. Um dies zu lösen, nutzte das Team eine Technik namens SHAP-Analyse, die wie ein Scheinwerfer wirkt und genau offenbart, wie viel jede Zutat zum Endergebnis beigetragen hat. Die Analyse zeigte, dass zwei Faktoren das Ergebnis dominierten: die Menge des Zements in der Mischung und die Zeit, die dem Material zur Aushärtung zur Verfügung stand. Diese beiden Variablen hatten den signifikantesten positiven Einfluss auf die Festigkeit. Im Gegensatz dazu hatten die Konzentration der Feststoffe und das Verhältnis von Aggregat zu Rückständen einen viel geringeren Einfluss auf das Endergebnis. Diese Erkenntnis ist für Ingenieure von entscheidender Bedeutung, da sie ihnen genau sagt, worauf sie sich konzentrieren müssen, wenn sie eine Mischung entwerfen, um Sicherheit und Stabilität zu gewährleisten.

Die Studie kommt zu dem Schluss, dass die Verwendung dieser erklärbaren maschinellen Lernmodelle einen zuverlässigen und transparenten Weg bietet, um zementierte hydraulische Verfüllungen zu entwerfen. Durch die genaue Vorhersage, wie stark das Material sein wird, noch bevor es überhaupt gegossen wird, können Bergbaubetriebe ihre Mischungsdesigns optimieren und potenziell Geld bei den Materialien sparen, während sie gleichzeitig sicherstellen, dass die unterirdische Umgebung sicher bleibt. Die Forscher betonen, dass ihr Modell zwar ein bedeutender Schritt nach vorn ist, es jedoch am effektivsten als Entscheidungshilfe neben dem traditionellen ingenieurtechnischen Urteilsvermögen eingesetzt wird. Sie schlagen vor, dass zukünftige Arbeiten darin bestehen könnten, diese Modelle gegen reale Feldmessungen zu testen, um ihre Genauigkeit weiter zu verfeinern. Letztendlich bietet diese Forschung einen klareren Weg zu einem sichereren Untertagebau, indem sie komplexe Daten in praktische Anleitung für die Ingenieure verwandelt, die die Minen stabil halten.