Machine learning in the determination of soft phyllite strength parameters

Authors

DOI:

https://doi.org/10.33448/rsd-v12i1.39693

Keywords:

Soft rocks; Phyllites; Strength parameters; Machine learning; Artificial neural networks; Linear regression.

Abstract

Geological-geotechnical aspects must be taken into account cince geological exploration studies in mining projects. Some accidents that occurred in mines in recent decades could be avoided if the geological and geotechnical conditions of the rock mass were understood. There is still great difficulty in classifying some types of rocks, especially rocks considered soft, through known geomechanical classification systems. The vast majority of existing classifications were developed based on hard rock characteristics. For rock masses with little strength, it is necessary to adapt current systems or develop new classification systems, which are specific for practically continuous soft rock masses. The objective of this article is to propose the use of Machine Learning techniques to predict geotechnical parameters of soft rocks, especially phyllite. Were used historical data from the results of geotechnical laboratory stress measures campaign of rocks from mines in the Iron Quadrangle are used, which, through optimized interaction, and with the aid of Artificial Intelligence techniques, such as the Artificial Neural Network and Linear Regression, are capable of generating results of interest for stability analysis and geotechnical modeling. Of the techniques used, results showed that the Linear Regression method was satisfactory in determining the strength parameters of soft phyllites and with good prospects for expansion and use for other parameters, as well as other types of rocks.

References

Beale, G. (2018). The role of Water in Slope Design for Weak Rocks. Guidelines for Open Pit Slope Design in Weak Rocks. D. Martin and Peter Stacey (eds.), CSIRO Publishing, Melbourne, Australia, 80-113

Freitas, J.P.S. (2016). Elaboração do modelo geomecânico tridimensional para a reavaliação e setorização geotécnica dos realces da Mineração Caraíba. Dissertação de Mestrado, NUGEO, Escola de Minas, Universidade Federal de Ouro Preto.

Hinkle, D. E., Wiersma, W. & Jurs, S. G. (2003). Applied statistics for the behavioral sciences. Vol. 663. Houghton Mifflin College Division.

Kanji, M. A. (2014). Critical issues in soft rocks. Journal of Rock Mechanics and Geotechnical Engineering 6 (2014) 186e195

Kundu, J., Sarkar, K., Singh, A. K., & Singh, T. N. (2020). QuickRMR beta. A Rock Mass Rating calculator based on continuous functions. https://jkundu.com/quickrmr.

Mahesh, B., (2019) Machine Learning Algorithms - A Review. International Journal os Science and Research (IJSR). https://www.researchgate.net/publication/344717762_Machine_Learning_Algorithms_-A_Review.

Manchao, H. & Xiaoming, S. (2020). State Key Laboratory of Geomechanics and Deep Underground Engineering (SKL-GDUE), China University of Mining and Technology, Beijing, China. © Springer Nature Switzerland AG 7 M. Kanji et al. (eds.), Soft Rock Mechanics and Engineering,

Nola, I. T. S. (2015). Avaliação de dados geológico-geotécnicos prévios para elaboração de Carta de Eventos Perigosos de movimentos de massa gravitacionais por meio de redes neurais artificiais e probabilidade. Dissertação de Mestrado (Geotecnia) – Escola de Engenharia de São Carlos. Universidade de São Paulo. São Carlos.

Oliveira Filho, A. G., & Bicalho K. (2018). Aplicação de Redes Neurais Artificiais na Estimativa de Propriedades Geotécnicas de Solos Argilosos. XIX Congresso Brasileiro de Mecânica dos Solos e Engenharia Geotécnica Geotecnia e Desenvolvimento Urbano. Salvador, BA

Palmström A. (1995). RMi: a rock mass characterization system for rock engineering purposes. University of Oslo, 400 p. (PhD Thesis).

Palmstron, A. (2022). RockMass.net. Geology Applied in Rock Construction. https://rockmass.net/estimations-with-rmi/

Pinheiro, R. F. S. (2013). Classificações geomecânicas mineiras para o dimensionamento de maciços rochosos: o aplicativo MGC-RocDesign|Calc. Mestrado em Engenharia Geotécnica e Geoambiente. ISEP - Instituto Superior de Engenharia do Porto.

Pinheiro, A. L. (2014). Influência das descontinuidades no comportamento geomecânico e nos modos de ruptura em taludes escavados em rochas brandas. 2014. 192 f. Tese (Doutorado em Geotecnia) - Universidade Federal de Ouro Preto, Ouro Preto.

Pinto, L. A. G. (2022). Determinação de parâmetros de resistência de filitos com uso de aprendizagem de máquina. Dissertação de Mestrado em Engenharia Mineral - Universidade Federal de Ouro Preto. Escola de Minas. Departamento de Engenharia de Minas.

Santos, T. B., Lana, M. S., Santos, A. & Silveira, L. R.C. (2017). Aplicabilidade de classificações geomecânicas para estimativa de propriedades de resistência em maciços rochosos brasileiros. Anais da Academia Brasileira de Ciências, 89 (2), 859-872. https://dx.doi.org/10.1590/0001-3765201720160065

Santos, A. E. M. (2021). Classificação de maciços rochosos por meio de técnicas da estatística multivariada e inteligência artificial. Tese Doutorado em Engenharia Mineral - Universidade Federal de Ouro Preto. Escola de Minas. Departamento de Engenharia de Minas.

Silva, C. H. C. (2010). Comportamento geotécnico dos filitos do talude oeste da Mina Pau Branco. Dissertação (Mestrado) - Universidade Federal de Ouro Preto. Escola de Minas. Departamento de Engenharia de Minas.

Silva J. M. (1997). Contribuição à Determinação da Rugosidade da Superfície de Descontinuidades Rochosas. Dissertação de mestrado. CPGEM. Universidade de São Paulo, EPUSP.

Somodi G., Bar N., Vasarhey B, Kovács, L., Arrieta, M., & Török, A. (2021). Correlation between the Rock Mass Quality (Q-system) method and Geological Strength Index (GSI). Correlations in Granite, Siltstone, Sandstone and Quartzite Rock Masses. Applied Science.

Souza, M. M. (2019). Estudos geotécnicos para determinação e viabilização de cavas operacionais e finais. Estudo de caso: cava Três Buracos, Goiás. Dissertação de Mestrado, Publicação 321/2019, Departamento de Engenharia Civil, Universidade de Brasília, Brasília, DF, 83p.

Souza, L. R., Sousa, L. R. Cuiying, Z. & Karam, K. (2020). Chapter 8 - Evaluation of Geomechanical Properties of Soft Rock Masses by Laboratory and In Situ Testing. M. Kanji et al. (eds.), Soft Rock Mechanics and Engineering. Springer Nature Switzerland.

Stephenson, R. M., & Sandy, M. P. (2021). Considerations for the designs and support of underground portals. Underground Operators Conference. Perth, WA, 15-17 March 2021.

Tao, Z., Zhou, C., Sousa, L. R. & Feifei, Z. (2020). Chapter 7 - Site Investigation for Soft Rock Mass. M. Kanji et al. (eds.), Soft Rock Mechanics and Engineering. Springer Nature Switzerland

Zhang, N. (2020). Chapter 9 - Interaction Between Water and Soft Rocks. M. Kanji et al. (eds.), Soft Rock Mechanics and Engineering. Springer Nature Switzerland

Published

11/01/2023

How to Cite

PINTO, L. A. G. .; SILVA, J. M. da . Machine learning in the determination of soft phyllite strength parameters. Research, Society and Development, [S. l.], v. 12, n. 1, p. e19012139693, 2023. DOI: 10.33448/rsd-v12i1.39693. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/39693. Acesso em: 27 jan. 2023.

Issue

Section

Engineerings