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

Diep onder het aardoppervlak, waar mijnwerkers waardevolle grondstoffen winnen, blijven enorme lege ruimtes achter. Als deze holtes niet worden ondersteund, kan de grond erboven instorten, wat een gevaarlijke omgeving voor arbeiders creëert en de stabiliteit van de gehele operatie bedreigt. Om dit te voorkomen, vullen ingenieurs deze lege kamers met een speciale mengeling die bekend staat als gecementeerd hydraulisch vulmateriaal. Dit materiaal is in essentie een slurry gemaakt van vermalen afvalgesteente, residuen uit het mijnbouwproces, water en cement. Zodra het in de ondergrondse holtes wordt gepompt, verhardt het na verloop van tijd en fungeert het als een solide vloer die het mijndak ondersteunt en een veiligere, efficiëntere winning van resterende mineralen mogelijk maakt. De meest kritieke maatstaf voor hoe goed dit vulmateriaal zal presteren, is het vermogen om weerstand te bieden aan verbrijzeling onder druk, een eigenschap die ingenieurs de eenaxiale druksterkte noemen. Het nauwkeurig voorspellen van deze sterkte is essentieel; als het mengsel te zwak is, kan de mijn instorten, maar als het overgedimensioneerd is, wordt het project onnodig duur.

Decennialang vertrouwde het bepalen van de juiste mengverhouding van ingrediënten op trial-and-error of eenvoudige formules die vaak de complexe, niet-lineaire manieren waarop deze materialen met elkaar interageren, missen. Een nieuwe studie, gepubliceerd door onderzoekers van de China University of Mining and Technology en internationale partners, biedt een andere aanpak. In plaats van te vertrouwen op traditionele vergelijkingen, hebben zij gekozen voor een familie van geavanceerde computeralgoritmen bekend als gradient boosting machines. Dit zijn krachtige instrumenten die leren van data door een reeks eenvoudige modellen te bouwen, waarbij elk model de fouten van de vorige corrigeert, om zo een zeer nauwkeurige voorspeller te creëren. De onderzoekers verzamelden een enorme dataset van 1.641 real-world voorbeelden, waarbij ze de specifieke hoeveelheden gebruikt cement, de duur van de uithardingstijd, de concentratie van vaste stoffen in het mengsel en de verhouding van aggregaat tot residu registreerden. Vervolgens voedden ze deze informatie in vier verschillende soorten van deze leeralgoritmen om te zien welke het beste de uiteindelijke sterkte van het uitgeharde vulmateriaal kon voorspellen.

De studie testte verschillende variaties van deze leermodellen, waaronder LightGBM, CatBoost, AdaBoost en een standaard Gradient Boosting Machine. Het doel was niet alleen om een model te vinden dat de sterkte kon raden, maar om er een te vinden dat dit betrouwbaar kon doen op nieuwe, ongeziene data zonder in de war te raken door de ruis in de informatie. Na het trainen van de modellen op 80 procent van de data en het testen ervan op de resterende 20 procent, waren de resultaten duidelijk. Het standaard Gradient Boosting Machine-model kwam naar voren als het meest effectieve instrument. Het bereikte een hoog niveau van nauwkeurigheid, waarbij het de sterktewaarden correct voorspelde met een statistische score van 0,86 op de testdata, terwijl het het gemiddelde foutpercentage zeer laag hield. Deze prestatie was superieur aan die van de andere modellen, die ofwel moeite hadden met het generaliseren naar nieuwe data, of minder consistente resultaten produceerden. De bevindingen suggereren dat dit specifieke type algoritme bijzonder goed geschikt is om de ingewikkelde relaties tussen de ingrediënten en de uiteindelijke sterkte te vatten.

Buiten het simpelweg doen van een voorspelling, wilden de onderzoekers begrijpen waarom de modellen de beslissingen namen die ze namen. In veel geavanceerde computersystemen zijn de interne werking een "black box", wat betekent dat zelfs de makers niet gemakkelijk kunnen uitleggen hoe een input tot een output leidt. Om dit op te lossen, gebruikte het team een techniek genaamd SHAP-analyse, die werkt als een spotlight en precies onthult hoeveel elk ingrediënt heeft bijgedragen aan het uiteindelijke resultaat. De analyse toonde aan dat twee factoren de uitkomst domineerden: de hoeveelheid cement in het mengsel en de tijd die de ruimte kreeg voor de uitharding van het materiaal. Deze twee variabelen hadden de meest significante positieve impact op de sterkte. In tegenstelling hiertoe hadden de concentratie van vaste stoffen en de verhouding van aggregaat tot residu een veel kleinere invloed op het eindresultaat. Dit inzicht is cruciaal voor ingenieurs, omdat het hen precies vertelt waar ze hun aandacht op moeten richten bij het ontwerpen van een mengsel om veiligheid en stabiliteit te garanderen.

De studie concludeert dat het gebruik van deze verklaarbare machine learning-modellen een betrouwbare en transparante manier biedt om gecementeerd hydraulisch vulmateriaal te ontwerpen. Door nauwkeurig te voorspellen hoe sterk het materiaal zal zijn voordat het zelfs maar is gegoten, kunnen mijnbouwoperaties hun mengsels optimaliseren, wat potentieel geld bespaart op materialen terwijl de ondergrondse omgeving veilig blijft. De onderzoekers benadrukken dat hoewel hun model een belangrijke stap voorwaarts is, het het meest effectief is wanneer het wordt gebruikt als een besluitvormingsinstrument naast traditioneel technisch oordeel. Ze suggereren dat toekomstig werk het testen van deze modellen tegen real-world veldmetingen kan omvatten om de nauwkeurigheid verder te verfijnen. Uiteindelijk biedt dit onderzoek een helderder pad naar veiligere ondergrondse mijnbouw, door complexe data om te zetten in praktische begeleiding voor de ingenieurs die de mijnen stabiel houden.