Aprendizaje de máquinas aplicado a la predicción de la probabilidad de caída de rocas
DOI:
https://doi.org/10.33448/rsd-v11i10.32603Palabras clave:
Caída de rocas; Aprendizaje automático; K-Nearest Neighbors; Estabilidad de taludes de roca.Resumen
El objetivo de este trabajo es proponer un modelo de predicción de la probabilidad de caída de bloques en taludes rocosos utilizando el método K-Nearest Neighbors (KNN). Se utilizó una base de datos con 220 taludes rocosos, cuyas variables están relacionadas con la presencia de agua, características del macizo rocoso, la presencia de bloques sueltos en los taludes, entre otras. Para cada talud del conjunto de datos, se conoce la probabilidad de caída de rocas (alta, media o baja) y se determinó a través del análisis de conglomerados. El número de vecinos más cercanos (k) se varió entre 1 y 20. La precisión promedio obtenida de los modelos de predicción probados fue igual a 78,4%. Los modelos arrojaron resultados satisfactorios en la predicción de la probabilidad de caída de rocas, ya que el área bajo la curva ROC fue igual a 0,80. El mejor modelo se seleccionó en función del valor k con mayor precisión y el área más alta bajo la curva ROC. El modelo seleccionado fue el que tenía un valor de k igual a 7.
Citas
Bar, N., & Barton, N. (2017). The Q-Slope Method for Rock Slope Engineering. Rock Mechanics and Rock Engineering 50, 3307–3322 (2017). https://doi.org/10.1007/s00603-017-1305-0.
Barton, N., Lien, R.., & Lunde, J. (1974). Engineering classification of rock masses for the design of rock support. Rock Mechanics and Rock Engineering. 6:189–236
Bieniawski, Z. (1989). Engineering rock mass classifications: a complete manual for engineers and geologists in mining, civil, and petroleum engineering. 1st ed. John Wiley & Sons.
Fernandes, A. T. dos R., Fonseca, J. L. T., Silva, I. L. P. da, Agamez Arias, P. D. M., Ramos, R. A., & Oliveira, W. D. de. (2021). Avaliação da influência das tensões de barra na previsão de cargas via redes neurais. Research, Society and Development, 10(12), e600101220917. https://doi.org/10.33448/rsd-v10i12.20917
Kassambara, A., & Mundt, F. (2020). Factoextra: Extract and Visualize the Results of Multivariate Data Analyses. R package version 1.0.7. https://CRAN.R-project.org/package=factoextra
Kassambara, A. (2017). Practical guide to cluster analysis in R unsupervised machine learning. STHDA.
Kaufman, L., & Rousseeuw, P. J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley Series in Probability and Statistics. ISBN: 0-47 1-73578-7.
Kubat, M. (2017). An Introduction to Machine Learning. Springer Cham. ISBN 978-3-319-63913-0 (eBook). https://doi.org/10.1007/978-3-319-63913-0
Lawrence, L. (1992). Data Preparation for a Neural Network. Neural Network. Special Report: A Miller Freeman Publication.
Mascarenhas, T. A. T., Moriel Junior, J. G., Gomes, R. de S. R., & Mello, G. J. (2020). Aplicação de algoritmos de aprendizado de máquina na classificação de Conhecimentos Especializados de Professores de Física. Research, Society and Development, 9(11), e86191110584. https://doi.org/10.33448/rsd-v9i11.10584
Naghadehi, M. Z., Jimenez, R., KhaloKakaie, R., & Jalali, S. M. E. (2013). A new open-pit mine slope instability index defined using the improved rock engineering systems approach. International Journal of Rock Mechanics and Mining Sciences.
https://doi.org/10.1016/j.ijrmms.2013.01.012
Ossani, P. C., Rossoni, D. F., Cirillo, M. Ângelo, & Borém, F. M. (2021). Classificação de cafés especiais usando técnicas de aprendizado de máquina. Research, Society and Development, 10(5), e13110514732. https://doi.org/10.33448/rsd-v10i5.14732
Ossani, P. C., Rossoni, D. F., Cirillo, M. Â., & Borém, F. M. (2020). Unsupervised classification of specialty coffees in Homogeneous sensory attributes through machine learning. Coffee Science, 15, e151780. 10.25186/cs.v15i.1780
Pessoa, A. D., Sousa, G. C. L. Araujo, R. da C. de, & Anjos, G. J. M. dos. (2021). Modelo de rede neural artificial para previsão da capacidade de carga de estacas cravadas. Research, Society and Development, 10(1), e12210111526. https://doi.org/10.33448/rsd-v10i1.11526
Pierson, L. A., & Van Vickle, R, (1993). Rockfall Hazard Rating System. Transportation Research Record N° 1343, National Research Board, Washington, D.C., pp 6-19.
R Core Team (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
Romana, M. (1995). The geomechanical classification SMR for slope correction. In: Proceedings of the 8th ISRM congress on rock mechanics, vol 3. 8 p.
Santi, P. M., Russel, C. P., Higgins, J. D., & Spriet, J. I. (2009). Modification and statistical analysis of the Colorado Rockfall Hazard Rating System. Engineering Geology 104: 55–65. 10.1016/j.enggeo.2008.08.009
Santos, A. E. M., Lana, M. S. & Pereira, T. M. (2022). Evaluation of machine learning methods for rock mass classification. Neural Computing and Applications 34, 4633–4642 (2022). https://doi.org/10.1007/s00521-021-06618-y
Santos, A. E. M., Lana, M. S., & Pereira, T. M. (2021). Rock mass classification by multivariate statistical techniques and artificial intelligence. Geotechinical and Geological Engineering 39:2409–2430. https://doi.org/10.1007/s10706-020-01635-5
Santos, T. B., Lana, M. S., Pereira, T. M., & Canibulat, I. (2019). Quantitative hazard assessment system (Has-q) for open pit mine slopes. International Journal of Mining Science and Technology. Volume 29, Issue 3, Pages 419-427, ISSN 2095-2686, https://doi.org/10.1016/j.ijmst.2018.11.005
Silva, C. C. da, Lima, C. L. de, Silva, A. C. G. da, Moreno, G. M. M., Musah, A., Aldosery, A., Dutra, L., Ambrizzi, T., Borges, I. V. G., Tunali, M., Basibuyuk, S., Yenigün, O., Jones, K., Campos, L., Massoni, T. L., Silva Filho, A. G. da, Kostkova, P., & Santos, W. P. dos. (2021). Predição de casos de Dengue, Chikungunya e Zika em Recife, Brasil: uma abordagem espaço-temporal com base em condições climáticas, notificações de saúde e aprendizado de máquina. Research, Society and Development, 10(12), e452101220804. https://doi.org/10.33448/rsd-v10i12.20804
Venables, W. N. & Ripley, B. D. (2002) Modern Applied Statistics with S. Fourth Edition. Springer.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Larissa Regina Costa Silveira; Milene Sabino Lana; Tatiana Barreto dos Santos
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
