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

Profondamente sotto la superficie terrestre, dove i minatori estraggono risorse preziose, vengono lasciati ampi spazi vuoti. Se questi vuoti non vengono sostenuti, il terreno sovrastante può crollare, creando un ambiente pericoloso per i lavoratori e minacciando la stabilità dell'intera operazione. Per prevenire ciò, gli ingegneri riempiono queste camere vuote con una miscela speciale nota come riempimento idraulico cementato. Questo materiale è essenzialmente una sospensione composta da rocce di scarto frantumate, residui del processo minerario, acqua e cemento. Una volta pompata nei vuoti sotterranei, si indurisce nel tempo, agendo come un pavimento solido che sostiene il tetto della miniera e consente un'estrazione più sicura ed efficiente dei minerali rimanenti. La misura più critica di quanto questo riempimento possa performare è la sua capacità di resistere allo schiacciamento sotto pressione, una proprietà che gli ingegneri chiamano resistenza alla compressione monoassiale. Prevedere accuratamente questa resistenza è vitale; se la miscela è troppo debole, la miniera potrebbe cedere, ma se è sovradimensionata, il progetto diventa inutilmente costoso.

Per decenni, determinare la giusta miscela di ingredienti si è affidato al metodo del tentativi ed errori o a semplici formule che spesso trascurano i modi complessi e non lineari in cui questi materiali interagiscono. Un nuovo studio pubblicato da ricercatori della China University of Mining and Technology e partner internazionali offre un approccio diverso. Inveve di affidarsi a equazioni tradizionali, si sono rivolti a una famiglia di algoritmi informatici avanzati noti come gradient boosting machines. Questi sono strumenti potenti che apprendono dai dati costruendo una serie di modelli semplici, ognuno dei quali corregge gli errori dell'ultimo, per creare un predittore altamente accurato. I ricercatori hanno raccolto un enorme dataset di 1.641 esempi reali, registrando le quantità specifiche di cemento utilizzate, la durata del tempo di stagionatura, la concentrazione di solidi nella miscela e il rapporto tra aggregato e residui. Hanno poi inserito queste informazioni in quattro diversi tipi di algoritmi di apprendimento per vedere quale potesse prevedere meglio la resistenza finale del riempimento indurito.

Lo studio ha testato diverse variazioni di questi modelli di apprendimento, inclusi LightGBM, CatBoost, AdaBoost e un Gradient Boosting Machine standard. L'obiettivo non era solo trovare un modello che potesse indovinare la resistenza, ma trovarne uno che potesse farlo in modo affidabile su nuovi dati non visti, senza confondersi con il rumore nelle informazioni. Dopo aver addestrato i modelli sull'80 percento dei dati e averli testati sul restante 20 percento, i risultati sono stati chiari. Il modello Gradient Boosting Machine standard è emerso come lo strumento più efficace. Ha raggiunto un alto livello di accuratezza, prevedendo correttamente i valori di resistenza con un punteggio statistico di 0,86 sui dati di test, mantenendo al contempo l'errore medio molto basso. Questa prestazione è stata superiore a quella degli altri modelli, che o faticavano a generalizzare su nuovi dati o producevano risultati meno consistenti. I risultati suggeriscono che questo specifico tipo di algoritmo è particolarmente adatto a catturare le intricate relazioni tra gli ingredienti e la resistenza finale del riempimento.

Oltre a fare semplicemente una previsione, i ricercatori volevano capire perché i modelli prendessero tali decisioni. In molti sistemi informatici avanzati, il funzionamento interno è una "scatola nera", il che significa che anche i creatori non possono facilmente spiegare come un input porti a un output. Per risolvere questo problema, il team ha utilizzato una tecnica chiamata analisi SHAP, che agisce come un riflettore, rivelando esattamente quanto ogni ingrediente abbia contribuito al risultato finale. L'analisi ha mostrato che due fattori dominavano l'esito: la quantità di cemento nella miscela e il tempo concesso al materiale per stagionare. Queste due variabili hanno avuto l'impatto positivo più significativo sulla resistenza. Al contrario, la concentrazione di solidi e il rapporto tra aggregato e residui hanno avuto un'influenza molto minore sul risultato finale. Questa intuizione è cruciale per gli ingegneri, poiché dice loro esattamente dove concentrare l'attenzione quando progettano una miscela per garantire sicurezza e stabilità.

Lo studio conclude che l'uso di questi modelli di apprendimento automatico spiegabili fornisce un modo affidabile e trasparente per progettare il riempimento idraulico cementato. Prevedendo accuratamente quanto sarà resistente il materiale prima ancora che venga versato, le operazioni minerarie possono ottimizzare le loro miscele, potenzialmente risparmiando denaro sui materiali pur garantendo che l'ambiente sotterraneo rimanga sicuro. I ricercatori sottolineano che, sebbene il loro modello sia un passo avanti significativo, esso è più efficace quando utilizzato come strumento di supporto alle decisioni insieme al giudizio ingegneristico tradizionale. Suggeriscono che il lavoro futuro potrebbe comportare il test di questi modelli rispetto alle misurazioni sul campo del mondo reale per perfezionarne ulteriormente l'accuratezza. In definitiva, questa ricerca offre una via più chiara verso una miniera sotterranea più sicura, trasformando dati complessi in guida pratica per gli ingegneri che mantengono stabili le miniere.