Ứng dụng mô hình học máy để dự đoán cường độ chịu nén hỗn hợp chất thải mỏ quặng gia cố bằng xi măng trong trường hợp khan hiếm dữ liệu = Applying machine learning model for predicting unconfined compressive strength of cemented paste backfill on scarce data

Abstract

Cường độ chịu nén của chất thải mỏ quặng được gia cố bằng xi măng (Cemented Paste Backfill CPB) là tính chất cơ học quan trọng trong việc đánh giá khả năng áp dụng của hỗn hợp này trong gia cố hố đào hầm mỏ. Bài báo trình bày việc sử dụng hai mô hình học máy đơn giản để dự đoán cường độ chịu nén của chất thải mỏ quặng. Do đó, hai thuật toán học máy bao gồm thuật toán tăng cường độ dốc (Gradient Boosting GB) và thuật toán vector hỗ trợ (Support Vector Regression SVR) được sử dụng để dự đoán cường độ chịu nén chất thải mỏ quặng được gia cố bằng xi măng. Để thực hiện việc xây dựng mô hình học máy, 92 dữ liệu thí nghiệm đã được thu thập từ những công bố quốc tế. Bộ dữ liệu bao gồm sáu biến đầu vào Xi măng/Chất thải mỏ C/T: Hàm lượng chất rắn (%): Trọng lượng riêng Gs: Kích thước lỗ sàng đạt lượng tích lũy 10% De (µm); hệ số đồng đều C₁₁, hệ số cấp phối Cc. Hiệu suất vượt trội của mô hình học máy GB so với mô hình học máy SVR được kiểm chứng bằng 200 lần mô phỏng ngẫu nhiên Monte Carlo. Phân tích yếu tố quan trọng cho thấy sự cần thiết của các yếu tố đầu vào đến việc tăng cường hiệu suất của mô hình GB có thể sắp xếp theo tứ tự giảm dần như sau tỷ lệ xi măng/chất thải mô C/T > hệ số đồng đều C₁₀ > hàm lượng chất rắn (Solid content) > kích thước lỗ sàng đạt lượng tích lũy 10% D₁₀ > hệ số cấp phối Cc trọng lượng riêng Gs.