Short-term rockburst risk prediction using ensemble learning methods

Liang, Weizhang; Sarı, Aslı; Zhao, Guoyan; McKinnon, Stephen D.; Wu, Hao

doi:10.1007/s11069-020-04255-7

Cited by 65 publications

(33 citation statements)

References 62 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Generally, high precision and recall indicate a pleasant result. However, their values are not positively correlated, and may even be negatively correlated sometimes [48].…”

Section: ) Model Evaluation With Confusion Matrixmentioning

confidence: 98%

Research on Rockburst Prediction Classification Based on GA-XGB Model

2021

View full text Add to dashboard Cite

Rockburst is a typical engineering geological disaster under the condition of high geostress. The rockburst classification and prediction are of great significance for the prevention and control of engineering geological disasters under the high geostress environment, and can reduce or even avoid the loss of personnel, equipment, and property. Thus, the GA-XGB model for rockburst classification prediction is proposed in this paper. Specifically, the parameter search process of extreme gradient boosting (XGB) is optimized based on the genetic algorithm (GA), and 10-fold cross-validation is performed on the Dataset collected from literature research. There are 275 sets of complete data, including 6 parameters: σθ, σc, σt, σθ/σc, σc/σt and Wet. Afterward, the impact of different indicator parameter combinations on the performance of the proposed model is explored and compared to existing machine learning models (such as SVM and XGB). Finally, the classification evaluation indexes (precision, recall, and F1 score) are calculated and compared to those obtained by several other algorithms. The results indicate that the method proposed in this paper performs better than other machine algorithms such as XGB, SVM, DT, and Bayes.

show abstract

“…Generally, high precision and recall indicate a pleasant result. However, their values are not positively correlated, and may even be negatively correlated sometimes [48].…”

Section: ) Model Evaluation With Confusion Matrixmentioning

confidence: 98%

Research on Rockburst Prediction Classification Based on GA-XGB Model

2021

View full text Add to dashboard Cite

show abstract

“…Pada tambang bawah tanah dan terowongan yang berada pada kedalaman yang besar, kasus rockburst telah meningkat dalam beberapa tahun terakhir ini. Beberapa contoh penting kasus rockburst termasuk akibatnya dapat telah dikumpulkan dan dapat dilihat pada publikasi Liang et al (2020). Zhou et al (2012) membagi prediksi risiko rockburst ke dalam dua kelompok: jangka panjang dan jangka pendek.…”

Section: Pendahuluanunclassified

“…Pada makalah ini diberikan contoh mengenai penggunaan metode regresi logistik untuk prediksi risiko rockburst jangka panjang. Metode ini cukup sederhana dibandingkan dengan, misalnya, metodemetode ensemble learning (Liang et al, 2020) tetapi hasilnya dapat lebih akurat. Data rockburst tersebut selanjutnya dievaluasi dengan metode regresi logistik yang lebih sederhana dibandingkan dengan kelima metode di atas.…”

Section: Pendahuluanunclassified

“…Hasil dari penerapan metode-metode ensemble learning terhadap 30 data uji diberikan pada Tabel 1-5 yang dimodifikasi dari Liang et al (2020) Terlihat bahwa metode RF memiliki tingkat akurasi tertinggi berdasarkan % tepat keseluruhan yang mencapai 80,00%. Kecuali metode AdaBoost, semua metode dapat memprediksi rockburst sedang dengan akurasi 87,50%.…”

Section: Metode-metode Ensemble Learningunclassified

“…Pengelompokan Ulang Tingkat Rockburst Liang et al (2020) menyatakan bahwa rockburst sedang dan berat harus mendapatkan perhatian lebih dalam rekayasa mengingat konsekuensi serius yang disebabkannya. Oleh karena itu mereka selanjutnya menggabungkan kasus-kasus tidak ada rockburst dan rockburst ringan menjadi risiko rockburst rendah serta kasus-kasus rockburst sedang dan berat digabungkan menjadi risiko rockburst tinggi.…”

Section: Metode Regresi Logistikunclassified

See 2 more Smart Citations

Metode Regresi Logistik Untuk Memprediksi Risiko Rockburst Jangka Pendek

Wattimena

2021

ind. mining, prof. jurnal

View full text Add to dashboard Cite

Rockburst telah menjadi salah satu risiko mayor pada konstruksi dan tambang bawah tanah batuan keras yang dalam. Banyak pendekatan telah diusulkan untk memprediski risiko rockburst, mulai dari pengujian laboratorium sederhana sampai kepada metode learning machine yang canggih. Makalah ini membandingkan hasil prediksi metode ensemble learning dan regresi logistik dan menunjukkan bahwa metode regresi logistik yang lebih sederhana dapat memberikan hasil yang lebih akurat.

show abstract