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

पृथ्वी की सतह के बहुत नीचे, जहाँ खनिक मूल्यवान संसाधनों को निकालते हैं, वहाँ विशाल खाली स्थान पीछे छूट जाते हैं। यदि इन रिक्त स्थानों को सहारा नहीं दिया गया, तो ऊपर की जमीन ढह सकती है, जिससे श्रमिकों के लिए एक खतरनाक वातावरण बन जाता है और पूरे ऑपरेशन की स्थिरता को खतरा पैदा हो जाता है। इसे रोकने के लिए, इंजीनियर इन खाली कक्षों को 'सीमेंटेड हाइड्रोलिक बैकफिल' नामक एक विशेष मिश्रण से भर देते हैं। यह सामग्री अनिवार्य रूप से कुचले हुए अपशिष्ट पत्थरों, खनन प्रक्रिया से निकले टेलिंग्स (tailings), पानी और सीमेंट से बना एक घोल (slurry) है। एक बार जब इसे भूमिगत रिक्त स्थानों में पंप कर दिया जाता है, तो यह समय के साथ कठोर हो जाता है, जो एक ठोस फर्श के रूप में कार्य करता है जो खान की छत को सहारा देता है और शेष खनिजों के सुरक्षित एवं अधिक कुशल निष्कर्षण की अनुमति देता है। इस बैकफिल के प्रदर्शन को मापने का सबसे महत्वपूर्ण पैमाना दबाव के तहत कुचले जाने का विरोध करने की इसकी क्षमता है, जिसे इंजीनियर 'यूनिएक्सियल कंप्रेसिव स्ट्रेंथ' (uniaxial compressive strength) कहते हैं। इस मजबूती का सटीक अनुमान लगाना अत्यंत महत्वपूर्ण है; यदि मिश्रण बहुत कमजोर हुआ, तो खान विफल हो सकती है, लेकिन यदि इसे आवश्यकता से अधिक मजबूत बनाया गया, तो परियोजना अनावश्यक रूप से महंगी हो जाएगी।

दशकों से, सामग्रियों के सही मिश्रण को निर्धारित करने के लिए परीक्षण और त्रुटि (trial and error) या सरल सूत्रों पर भरोसा किया जाता था, जो अक्सर इन सामग्रियों के बीच जटिल, गैर-रेखीय (non-linear) अंतःक्रियाओं को समझने में विफल रहते हैं। चीन यूनिवर्सिटी ऑफ माइनिंग एंड टेक्नोलॉजी के शोधकर्ताओं और अंतर्राष्ट्रीय भागीदारों द्वारा प्रकाशित एक नया अध्ययन एक अलग दृष्टिकोण प्रदान करता है। पारंपरिक समीकरणों पर निर्भर रहने के बजाय, उन्होंने 'ग्रेडिएंट बूस्टिंग मशीनों' के रूप में जाने जाने वाले उन्नत कंप्यूटर एल्गोरिदम के एक परिवार की ओर रुख किया। ये शक्तिशाली उपकरण हैं जो सरल मॉडलों की एक श्रृंखला बनाकर डेटा से सीखते हैं, जहाँ प्रत्येक मॉडल पिछले मॉडल की गलतियों को सुधारता है, ताकि एक अत्यधिक सटीक भविष्यवक्ता बनाया जा सके। शोधकर्ताओं ने 1,641 वास्तविक उदाहरणों का एक विशाल डेटासेट एकत्र किया, जिसमें उपयोग किए गए सीमेंट की विशिष्ट मात्रा, क्यूरिंग (curing) की अवधि, मिश्रण में ठोस पदार्थों की सांद्रता, और एग्रीगेट (aggregate) का टेलिंग्स के साथ अनुपात दर्ज किया गया। फिर उन्होंने इस जानकारी को इन सीखने वाले एल्गोरिदम के चार अलग-अलग प्रकारों में डाला ताकि यह देखा जा सके कि कौन सा अंतिम कठोर बैकफिल की मजबूती का सबसे अच्छा अनुमान लगा सकता है।

अध्ययन में इन लर्निंग मॉडल्स के कई संस्करणों का परीक्षण किया गया, जिसमें LightGBM, CatBoost, AdaBoost और एक मानक ग्रेडिएंट बूस्टिंग मशीन शामिल थे। लक्ष्य केवल ऐसा मॉडल खोजना नहीं था जो मजबूती का अनुमान लगा सके, बल्कि एक ऐसा मॉडल खोजना था जो नए, अनदेखे डेटा पर बिना किसी भ्रम के विश्वसनीय रूप से काम कर सके। 80 प्रतिशत डेटा पर इन मॉडलों को प्रशिक्षित करने और शेष 20 प्रतिशत पर परीक्षण करने के बाद, परिणाम स्पष्ट थे। मानक ग्रेडिएंट बूस्टिंग मशीन मॉडल सबसे प्रभावी उपकरण के रूप में उभरा। इसने उच्च स्तर की सटीकता प्राप्त की, टेस्ट डेटा पर 0.86 के सांख्यिकीय स्कोर के साथ मजबूती के मानों की सही भविष्यवाणी की, जबकि औसत त्रुटि को बहुत कम रखा। यह प्रदर्शन अन्य मॉडलों की तुलना में बेहतर था, जो या तो नए डेटा के अनुकूल होने में संघर्ष करते थे या कम सुसंगत परिणाम देते थे। निष्कर्ष बताते हैं कि यह विशिष्ट प्रकार का एल्गोरिदम सामग्री और अंतिम मजबूती के बीच जटिल संबंधों को पकड़ने के लिए विशेष रूप से उपयुक्त है।

केवल भविष्यवाणी करने के अलावा, शोधकर्ता यह भी समझना चाहते थे कि मॉडल निर्णय कैसे लेते हैं। कई उन्नत कंप्यूटर प्रणालियों में, आंतरिक कार्यप्रणाली एक "ब्लैक बॉक्स" की तरह होती है, जिसका अर्थ है कि निर्माता भी आसानी से नहीं समझ सकते कि एक इनपुट से आउटपुट कैसे प्राप्त होता है। इसे हल करने के लिए, टीम ने SHAP विश्लेषण नामक एक तकनीक का उपयोग किया, जो एक स्पॉटलाइट की तरह कार्य करता है, और यह प्रकट करता है कि प्रत्येक सामग्री ने अंतिम परिणाम में कितना योगदान दिया। विश्लेषण से पता चला कि दो कारकों ने परिणाम पर प्रभुत्व जमाया: मिश्रण में सीमेंट की मात्रा और सामग्री को पकने (cure होने) के लिए दिया गया समय। इन दो चरों का मजबूती पर सबसे महत्वपूर्ण सकारात्मक प्रभाव पड़ा। इसके विपरीत, ठोस पदार्थों की सांद्रता और एग्रीगेट का टेलिंग्स के साथ अनुपात का अंतिम परिणाम पर बहुत कम प्रभाव पड़ा। यह अंतर्दृदय इंजीनियरों के लिए अत्यंत महत्वपूर्ण है, क्योंकि यह उन्हें सुरक्षा और स्थिरता सुनिश्चित करने के लिए मिश्रण डिजाइन करते समय अपना ध्यान कहाँ केंद्रित करना है, यह सटीक रूप से बताता है।

अध्ययन यह निष्कर्ष निकालता है कि इन व्याख्या योग्य (explainable) मशीन लर्निंग मॉडलों का उपयोग सीमेंटेड हाइड्रोलिक बैकफिल को डिजाइन करने का एक विश्वसनीय और पारदर्शी तरीका प्रदान करता है। यह सटीक भविष्यवाणी करके कि सामग्री कितनी मजबूत होगी, खनन संचालन अपने मिश्रण डिजाइनों को अनुकूलित कर सकते हैं, जिससे संभावित रूप से सामग्रियों पर लागत बच सकती है और साथ ही भूमिगत वातावरण सुरक्षित रहना सुनिश्चित हो सकता है। शोधकर्ता इस बात पर जोर देते हैं कि हालांकि उनका मॉडल एक महत्वपूर्ण कदम है, यह पारंपरिक इंजीनियरिंग निर्णय के साथ एक निर्णय-सहायता उपकरण के रूप में उपयोग किए जाने पर सबसे प्रभावी है। वे सुझाव देते हैं कि भविष्य के कार्यों में अपनी सटीकता को और अधिक परिष्कृत करने के लिए इन मॉडलों का वास्तविक दुनिया के फील्ड माप के विरुद्ध परीक्षण करना शामिल हो सकता है। अंततः, यह शोध भूमिगत खनन को सुरक्षित बनाने के लिए एक स्पष्ट मार्ग प्रदान करता है, जो जटिल डेटा को उन इंजीनियरों के लिए व्यावहारिक मार्गदर्शन में बदल देता है जो खानों को स्थिर रखते हैं।