Πρόγνωση έντασης ψαθυρής θραύσης σε βαθιές εκσκαφές με χρήση τεχνικών μηχανικής μάθησης

Abstract

The rising need for mineral resources, combined with the gradual exploitation of surface reserves, is driving underground mining to deeper levels. The increasing extraction depth leads underground excavations to increasing stresses and hence increased instability risks. Concurrently, rocks at great depths, which usually exhibit higher geomechanical properties and brittle behaviour, are capable of storing large amounts of elastic energy, which they release violently in the event of failure, causing severe damage to excavations and endangering the safety of workers and the functionality of construction sites. As one of the most serious geological hazards, rock bursts have killed hundreds of miners and injured many more. It is therefore necessary to understand the conditions and mechanisms that underlie the phenomenon, to improve risk assessment methods and adopt appropriate preventive measures and techniques. Approaches regarding the prediction of the intensity and timing of a rockburst event can be divided into short-term and long-term, based on the stage of the project development. Long term forecasting is utilized in the design stage of a project primarily through the combination of empirical criteria and numerical modelling, while short term forecasts serve the construction stage of the project primarily relying on the use of geotechnical monitoring. Focusing on the long-term rockburst forecasting, this research aims at four objectives. Firstly, the performance of the most widely used empirical criteria regarding the prediction and classification of the phenomenon is examined to a dataset containing rockburst cases collected from the literature. Accordingly, the second objective is to investigate the corresponding performance achieved by a random forest algorithm, while at the same time examining the effect on the performance of the same algorithm due to the introduction of synthetic incidents derived from the SMOTE oversampling technique. The third objective concerns the development of a new oversampling methodology through the generation of synthetic instances derived from numerical simulations. The last objective concerns the preparation of the framework for a future import of new features into the dataset (e.g. support measures) or the addition of autonomous synthetic instances through the use of a more appropriate simulation code of brittle failure. The three introductory chapters provide the theoretical background regarding supervised and unsupervised machine learning in the field of data mining, the issue of class imbalance that is related mostly to small databases and the theoretical background of brittle failure and strainbursting emphasizing on its long-term prognosis. The theoretical background of the semi-empirical methodology Burst Hazard Potential is also presented. Chapter 4 concerns the development, analysis and pre-processing of the dataset consisting brittle failure incidents of various intensities that occurred in underground mines and in construction projects. In addition, a presentation of the class imbalance issue is presented, which hinders the development of reliable predictive models. Furthermore, the empirical criteria for predicting the intensity of brittle failure are evaluated so as to clarify their predictive potential. Chapter 5 concentrates on exploring the effect caused when introducing synthetic instances through the SMOTE technique on the predictive ability of a random forest algorithm. The influence of the SMOTE technique in terms of different attributes input numbers was examined, while the optimal number of neighbours required to optimise the results of the technique was explored. Finally, the overall performance range of the algorithm was assessed as well as the advantages and drawbacks of the technique. Chapter 6 proposes an alternative methodology for dealing with imbalanced datasets in which both the oversampling and undersampling techniques are exploited. The core of the methodology is the substitution of clusters containing rockburst instances among similar materials by representative synthetic instances derived from numerical modelling on the basis of the BHP index. The models are tuned and calibrated so that their mechanical properties are aligned with the clusters’ centroids and mimic their nearest neighbours in terms of stresses and rockburst intensities. Subsequently, they are subjected to a variety of stresses to fill all rockburst classes. As a result, a balanced synthetic dataset in terms of material and class participation is formed, which is used to train a Random Forest algorithm to predict rockburst. The results attained indicate the potential of the proposed methodology in enhancing the learning process and thus provide reliable long-term rockburst predictions.

Ο αυξανόμενος ρυθμός κατανάλωσης μεταλλευτικών πόρων, σε συνδυασμό με τη σταδιακή εξάντληση των επιφανειακών αποθεμάτων, οδηγεί την υπόγεια εξόρυξη σε βαθύτερα επίπεδα. Το αυξανόμενο βάθος εξόρυξης οδηγεί σε αυξανόμενες τάσεις και ως εκ τούτου σε αυξημένο κίνδυνο αστάθειας των υπόγειων εκσκαφών. Ταυτόχρονα, τα πετρώματα σε μεγάλα βάθη, τα οποία έχουν συνήθως υψηλότερες γεωμηχανικές ιδιότητες και παρουσιάζουν ψαθυρή συμπεριφορά, έχουν την ικανότητα να αποθηκεύουν μεγάλα ποσά ελαστικής ενέργειας, τα οποία απελευθερώνουν βίαια σε περίπτωση αστοχίας, προκαλώντας έντονες φθορές στις εκσκαφές και θέτοντας σε κίνδυνο την ασφάλεια των εργαζομένων και τη λειτουργικότητα των εργοταξίων. Ως μία από τις σοβαρότερες γεωλογικές καταστροφές, η ακαριαία διάρρηξη πετρωμάτων έχει προκαλέσει το θάνατο εκατοντάδων μεταλλωρύχων και τον τραυματισμό πολύ περισσότερων. Ως εκ τούτου, είναι αναγκαία η κατανόηση των συνθηκών και των μηχανισμών που οδηγούν το φαινόμενο, η βελτίωση των μεθόδων εκτίμησης του κινδύνου και η υιοθέτηση των κατάλληλων ανά περίσταση τεχνικών πρόληψης. Οι προσεγγίσεις σχετικά με την πρόβλεψη της έντασης και του χρόνου εμφάνισης ενός φαινομένου ψαθυρής θραύσης δύναται να διαχωριστούν με βάση το στάδιο εξέλιξης του έργου σε βραχυπρόθεσμες και μακροπρόθεσμες. Η μακροπρόθεσμη πρόβλεψη αξιοποιείται στο στάδιο σχεδιασμού ενός έργου κατά κύριο λόγο μέσω του συνδυασμού εμπειρικών κριτηρίων και αριθμητικών προσομοιώσεων, ενώ η βραχυπρόθεσμη πρόβλεψη του φαινομένου εξυπηρετεί το στάδιο κατασκευής του έργου βασιζόμενη κυρίως στη χρήση γεωτεχνικών οργάνων. Η παρούσα έρευνα, εστιαζόμενη στη προσέγγιση της μακροπρόθεσμης πρόβλεψης της έντασης της ψαθυρής θραύσης αποβλέπει σε τέσσερις στόχους. Ο πρώτος αφορά την διερεύνηση των επιδόσεων των πιο διαδεδομένων εμπειρικών κριτηρίων σχετικά με την πρόγνωση και κατηγοριοποίηση του φαινομένου σε περιστατικά ψαθυρής θραύσης και ακαριαίας διάρρηξης που συλλέχθησαν βιβλιογραφικά. Κατ’ αντιστοιχία, ο δεύτερος στόχος αφορά τη διερεύνηση της αντίστοιχης επίδοσης που επιτυγχάνεται από τον αλγόριθμο τυχαίου δάσους, ενώ ταυτόχρονα διερευνάται η επίδραση της εισαγωγής συνθετικών περιστατικών από την τεχνική υπερδειγματοληψίας SMOTE στις επιδόσεις του ίδιου αλγορίθμου. Ο τρίτος στόχος αφορά τη δημιουργία νέας μεθοδολογίας υπερδειγματοληψίας μέσω της δημιουργίας συνθετικών περιστατικών προερχόμενων από αριθμητικές προσομοιώσεις. Ο τελευταίος στόχος αφορά τη δημιουργία του υποβάθρου για τη μελλοντική εισαγωγή νέων γνωρισμάτων στη βάση δεδομένων (π.χ. μέτρα υποστήριξης) ή την προσθήκη στη βάση δεδομένων αυτόνομων συνθετικών περιστατικών μέσω της χρήσης καταλληλότερου κώδικα προσομοίωσης της ψαθυρής θραύσης. Στα τρία εισαγωγικά κεφάλαια παρατίθεται το θεωρητικό υπόβαθρο όσον αφορά την επιβλεπόμενη και μη μηχανική μάθηση στο πεδίο της εξόρυξης δεδομένων, το ζήτημα της ανισορροπίας κλάσης που σχετίζεται κυρίως με μικρές βάσεις δεδομένων καθώς και το θεωρητικό υπόβαθρο του φαινομένου της ακαριαίας διάρρηξης πετρωμάτων με έμφαση στη μακροπρόθεσμη πρόβλεψή του. Επίσης, παρατίθεται το θεωρητικό υπόβαθρο της ημιεμπειρικής μεθοδολογίας πρόγνωσης και ταξινόμησης του φαινομένου με βάση το δείκτη Burst Hazard Potential. Το 4ο κεφάλαιο αφορά την κατάρτιση, ανάλυση και προεπεξεργασία της βάσης δεδομένων απαρτιζόμενη από περιστατικά ψαθυρής θραύσης ποικίλων εντάσεων που συντελέστηκαν σε υπόγεια μεταλλεία όσο και σε κατασκευαστικά έργα και τα οποία συλλέχθηκαν από τη βιβλιογραφία. Επιπλέον παρατίθεται το πρόβλημα της ανισορροπίας κλάσης καθώς και η έλλειψη επαρκούς αριθμού περιστατικών για την πλήρωση ομοιογενούς βάσης δεδομένων, γεγονός που δυσχαιρένει τη δημιουργία αξιόπιστων προγνωστικών μοντέλων. Παράλληλα, πραγματοποιείται αξιολόγηση των εμπειρικών κριτηρίων πρόγνωσης της έντασης της ψαθυρής θραύσης στη βάση δεδομένων με σκοπό την διερεύνηση των προγνωστικών δυνατοτήτων τους. Στο 5ο κεφάλαιο η μελέτη επικεντρώνεται στην διερεύνηση της επίδρασης που προκαλείται κατά την εισαγωγή συνθετικών περιστατικών μέσω της τεχνικής SMOTE στην προγνωστική ικανότητα του αλγορίθμου τυχαίου δάσους. Εξετάστηκε η επιρροή της τεχνικής SMOTE όσον αφορά διαφορετικό αριθμό γνωρισμάτων εισόδου, ενώ παράλληλα διερευνήθηκε ο βέλτιστος αριθμός γειτόνων που απαιτούνται για τη βελτιστοποίηση των αποτελεσμάτων της τεχνικής. Εν τέλει αξιολογήθηκε το γενικό εύρος των επιδόσεων του αλγορίθμου τυχαίου δάσους καθώς και τα πλεονεκτήματα και μειονεκτήματα της τεχνικής. Στο 6ο κεφάλαιο προτείνεται εναλλακτική μεθοδολογία για την αντιμετώπιση της ανισορροπίας κλάσης στις βάσεις δεδομένων κατά την οποία αξιοποιούνται οι τεχνικές τόσο της υπερδειγματοληψίας όσο και της υποδειγματοληψίας. Ο πυρήνας της μεθοδολογίας έγκειται στην στοχευμένη ανά συστάδα προσθήκη συνθετικών περιστατικών που προέρχονται από αριθμητικές αναλύσεις αξιολογούμενες με βάση τον δείκτη Burst Hazard Potential. Τα αριθμητικά μοντέλα καλιμπράρονται έτσι ώστε οι μηχανικές τους ιδιότητες να ευθυγραμμίζονται με τα κεντροειδή των συστάδων και να μιμούνται τους πλησιέστερους γείτονές τους όσον αφορά τις τάσεις και τις εντάσεις των φαινομένων ψαθυρής θραύσης. Στη συνέχεια, υποβάλλονται σε μια ποικιλία τάσεων για να συμπληρώσουν τις συστάδες με όλες τις κλάσεις του φαινομένου, ενώ η διαμορφούμενη συνθετική βάση δεδομένων αξιοποιείται για την εκπαίδευση ενός αλγορίθμου τυχαίου δάσους. Συγκριτικά δεδομένα σε σχέση με την επίδραση της τεχνικής SMOTE παρατίθενται, ενώ παράλληλα αναλύεται η μεθοδολογία λήψης αποφάσεων του αλγορίθμου στην ανανεωμένη βάση δεδομένων.