Experimentelle datengetriebenen Algorithmus zur Vorhersage von Muckpile-Eigenschaften in verfugtem Abraum unter Verwendung von unbemannten Luftfahrzeugen und KI-Tools

In der aktuellen Untersuchung wurde eine interessante Methode namens Firefly-XGBoost entwickelt, um die Ergebnisse von Sprengmüllhalden, insbesondere Abfall, Wurf und laterale Ausbreitung, vorherzusagen und zu integrieren, die entscheidend für die Regulierung und Behebung von Ladeproblemen durch den Lader sowie irreführende Faktoren bei der Auswahl des Laders sind. Infolgedessen wurde auf den Partikelschwarmoptimierungsalgorithmus (PSO) und den Feuerfliegenalgorithmus vertraut, um die Effizienz des herkömmlichen XG Boost-Modells zu unterstützen. Insgesamt wurden 164 Sprengexperimente in zwei verschiedenen Bergwerken durchgeführt, und die aus diesen Versuchen gesammelten Daten wurden verwendet, um das Modell zu trainieren. Diese Daten umfassen spezifische Merkmale wie die Spannhöhe der Fugen (JSH) sowie andere Sprengeigenschaften wie die Anzahl der Fugen-Sets, die Decklänge, die Gesamtmenge an Explosivstoffen, die Stempel-Länge, die Decklänge und das Zündmuster. Der Firefly-XG Boost-Algorithmus lieferte bessere Ergebnisse in Bezug auf RMSE und R2-Werte im Vergleich zu den XG Boost- und PSO-XG Boost-Algorithmen. Das entwickelte Modell erwies sich als geeignet zur Vorhersage von Muckpile-Parametern für praktische Anwendungen.