جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه support vector regression (svr) در نشریات گروه فنی و مهندسی
support vector regression (svr)
در نشریات گروه مهندسی معدن
تکرار جستجوی کلیدواژه support vector regression (svr) در مقالات مجلات علمی
-
در این مقاله، هدف توسعه مدل هایی داده محور برای پیش بینی حداکثر نشست سطح زمین (Smax) ناشی از استخراج زغال سنگ به روش جبهه کار طویل است؛ پدیده ای که از چالش های اساسی مهندسی معدن محسوب می شود و پیش بینی آن می تواند در کاهش خسارات اعمالی به سازه های سطحی و زیرسطحی مجاور و ارتقاء ایمنی عملیات معدنی موثر باشد. بدین منظور، 46 دسته داده معتبر از مطالعات پیشین شامل سه پارامتر کلیدی ضخامت لایه زغال سنگ (hs)، عمق روباره (H) و عرض پهنه استخراجی (Lw) گردآوری شد.در ادامه، یک مدل پیش بینی کننده ترکیبی مبتنی بر رگرسیون ماشین بردار پشتیبان (SVR) که با الگوریتم فراابتکاری عقاب طلایی (GEO) بهینه سازی شده است توسعه یافت. به منظور ارزیابی عملکرد این مدل، یک مدل مقایسه ای نیز بر پایه رگرسیون چندمتغیره غیرخطی (NLMR) توسعه داده شد. برای ارزیابی تعمیم پذیری و پایداری مدل SVR-GEO، از تکنیک اعتبارسنجی متقابل5-بخشی استفاده شد. عملکرد مدل های پیشنهادی در مراحل آموزش و تست با بهره گیری از دیاگرام تیلور، منحنی مشخصه خطای رگرسیون (REC) و شش شاخص آماری شامل ضریب تعیین (R²)، شمول واریانس (VAF)، a20، جذر میانگین مربعات خطا (RMSE)، میانگین قدرمطلق خطا (MAE) و میانگین درصد خطای مطلق (MAPE) مورد ارزیابی و مقایسه با شش رابطه تجربی رایج قرار گرفت. نتایج بدست آمده از دیاگرام تیلور و منحنی مشخصه خطای رگرسیون (REC) حاکی از آن است که مدل SVR-GEO در هر دو مرحله آموزش و تست عملکرد به مراتب بهتری نسبت به مدل NLMR و روابط تجربی دارد. همچنین، نتایج بدست آمده براساس شاخص های آماری نشان داد که مدل SVR-GEO دارای بالاترین دقت و کمترین میزان خطا نسبت به مدل NLMR و روابط تجربی است؛ به طوری که مقادیر شاخص های R²، VAF، a20، RMSE، MAE و MAPE این مدل به ترتیب در مرحله آموزش 0.988، 98.8%، 0.946، 0.134، 0.053 و 5.7% و در مرحله تست 0.942، 93.9%، 0.778، 0.292، 0.235 و 19.7% بدست آمد. در نهایت، نتایج تحلیل حساسیت نشان داد که ضخامت لایه زغال سنگ (hs) بیشترین تاثیر را بر Smax دارد و پس از آن، عرض پهنه (Lw) و عمق روباره (H) در اولویت قرار دارند. بنابراین، مدل پیشنهادی SVR-GEO می تواند به عنوان ابزاری دقیق، مطمئن و کارآمد برای پیش بینی Smax در پروژه های معدنی به روش جبهه کار طویل مورد استفاده قرار گیرد.کلید واژگان: روش جبهه کار طویل، حداکثر نشست سطح زمین، رگرسیون ماشین بردار پشتیبان، الگوریتم فراابتکاری عقاب طلایی، رگرسیون چندمتغیره غیرخطیThis study aims to develop accurate data-driven models for predicting the maximum ground surface subsidence (Smax) induced by longwall coal mining, one of the key challenges in mining engineering. Accurate prediction of Smax is crucial for minimizing damage to surface and subsurface structures and enhancing operational safety. A total of 46 datasets from literature, involving three influential parameters including coal seam thickness (hs), depth of cover (H), and panel width (Lw), were collected. Two predictive models were developed: a support vector regression (SVR) model optimized using the Golden Eagle Optimization (GEO) algorithm (SVR-GEO), and a nonlinear multivariate regression model (NLMR). The generalization ability of SVR-GEO was validated using 5-fold cross-validation. Models’ performance in both training and testing phases was evaluated using Taylor diagrams, regression error characteristic (REC) curves, and six statistical indices (R², VAF, a20, RMSE, MAE, and MAPE), and compared against six empirical equations. Results showed that SVR-GEO outperformed both NLMR and empirical models, achieving R² values of 0.988 (training) and 0.942 (testing). Sensitivity analysis revealed that coal seam thickness (hs) had the greatest impact on Smax, followed by panel width (LW) and depth of cover (H). The SVR-GEO model is proposed as a robust and reliable tool for predicting Smax in longwall mining projects.Keywords: Longwall Mining, Maximum Ground Surface Subsidence, Support Vector Regression (SVR), Golden Eagle Ptimizer (GEO), Nonlinear Multivariate Regression (NLMR)
-
Remote sensing image analysis can be carried out at the per-pixel (hard) and sub-pixel (soft) scales. The former refers to the purity of image pixels, while the latter refers to the mixed spectra resulting from all objects composing of the image pixels. The spectral unmixing methods have been developed to decompose mixed spectra. Data-driven unmixing algorithms utilize the reference data called training samples and end-members. The performance of algorithms using training samples can be negatively affected by the curse of dimensionality. This problem is usually observed in the hyperspectral image classification, especially when a low number of training samples, compared to the large number of spectral bands of hyperspectral data, are available. An unmixing method that is not highly impressed by the curse of dimensionality is a promising option. Among all the methods used, Support Vector Machine (SVM) is a more robust algorithm used to overcome this problem. In this work, our aim is to evaluate the capability of a regression mode of SVM, namely Support Vector Regression (SVR), for the sub-pixel classification of alteration zones. As a case study, the Hyperion data for the Sarcheshmeh, Darrehzar, and Sereidun districts is used. The main classification steps rely on 20 field samples taken from the Darrehzar area divided into 12 and 8 samples for training and validation, respectively. The accuracy of the sub-pixel maps obtained demonstrate that SVR can be successfully applied in the curse of dimensional conditions, where the size of the training samples (12) is very low compared to the number of spectral bands (165).Keywords: Hydrothermal Alteration, Hyperspectral Remote Sensing, Soft Classification, Spectral Unmixing, Support Vector Regression (SVR)
-
The tensile strength (TS) of rocks is an important parameter in the design of a variety of engineering structures such as the surface and underground mines, dam foundations, types of tunnels and excavations, and oil wells. In addition, the physical properties of a rock are intrinsic characteristics, which influence its mechanical behavior at a fundamental level. In this paper, a new approach combining the support vector regression (SVR) with a cultural algorithm (CA) is presented in order to predict TS of rocks from their physical properties. CA is used to determine the optimal value of the SVR controlling the parameters. A dataset including 29 data points was used in this study, in which 20 data points (70%) were considered for constructing the model and the remaining ones (9 data points) were used to evaluate the degree of accuracy and robustness. The results obtained show that the SVR optimized by the CA model can be successfully used to predict TS.Keywords: Tensile Strength (TS) of Rocks, Support Vector Regression (SVR), Cultural Algorithm (CA), Physical Properties
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.