PSO híbrido con modelos basados en árboles para predecir la resistencia a la compresión uniaxial y el módulo elástico de muestras de roca

Las características mecánicas de las rocas, específicamente la resistencia a la compresión uniaxial (UCS) y el módulo elástico (E), son factores cruciales para asegurar la integridad y estabilidad de proyectos relevantes en minería e ingeniería civil. Este estudio propone un nuevo PSO híbrido (optimización por enjambre de partículas) con modelos basados en árboles, como el regresor de aumento de gradiente (GBR), la máquina de aumento de gradiente ligero (LightGBM), el bosque aleatorio (RF) y el aumento de gradiente extremo (XGBoost) para predecir UCS y E de muestras de roca del Bloque IX del Campo de Carbón de Thar en Pakistán. Un total de 122 conjuntos de datos fueron divididos en conjuntos de entrenamiento y prueba, con una relación de 80:20, respectivamente, para desarrollar los modelos predictivos. Se emplearon métricas clave de rendimiento, incluyendo el coeficiente de determinación (R²), el error absoluto medio (MAE) y el error cuadrático medio (RMSE), para evaluar el rendimiento predictivo del modelo. Los resultados indican que el modelo PSO-XGBoost demostró la mayor precisión en la predicción de UCS y E, superando a los otros modelos, que exhibieron un rendimiento predictivo inferior. Además, este estudio utilizó el método de aprendizaje automático SHAP (Shapley Additive exPlanations) para mejorar nuestra comprensión de cómo cada variable de característica de entrada influye en los valores de salida de UCS y E. En conclusión, el marco propuesto ofrece ventajas significativas en la evaluación de la resistencia y deformación de rocas en el Campo de Carbón de Thar, con aplicaciones prometedoras en el campo de la minería y la ingeniería de rocas.