Aprendizado de máquina aplicado à predição da probabilidade de quedas de blocos em taludes
DOI:
https://doi.org/10.33448/rsd-v11i10.32603Palavras-chave:
Queda de blocos; Aprendizado de máquina; Estabilidade de taludes em rocha.Resumo
The objective of this work is to propose a predictive model of rockfall slope probability in rock slopes using the K-Nearest Neighbors (KNN) method. A dataset composed by 220 rock slopes was used, whose variables are related to the presence of water, characteristics of the rock mass, degree of overhang, among others. For each slope of the dataset, rockfall probability (high, medium, or low) is known and determined by cluster analysis. The number of the nearest neighbors (k) ranged from 1 to 20. The obtained average accuracy of the tested predictive models was equal to 78.4%. The models produced satisfactory results in the prediction of the rockfall probability, since the area under the ROC curve was equal to 0.80. The best model was selected based on the k value with the highest accuracy and the highest area under the ROC curve. The selected model had a k value equal to 7.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Larissa Regina Costa Silveira; Milene Sabino Lana; Tatiana Barreto dos Santos
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.