.png){kind=icon}
返回
A Data-Driven Method for Predicting Rocks' Young’s Modulus: Case Study
.png){kind=icon}
PRE
AI
DOI：10.1007/s00603-026-05419-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
杨氏模量（E）是预测材料抗压能力的关键参数，在岩石工程项目设计中至关重要。E在采矿、岩土工程等领域具有广泛应用。虽然E可以通过实验室测试直接测量，但这需要高质量岩心样本和昂贵的现代化设备。因此，间接估计E的方法是一种有吸引力的替代方案。本研究开发了四种新型数据驱动方法——岭回归（RR）、Lasso回归（LR）、人工神经网络（ANN）和梯度提升回归器（GBR）——用于预测E。E的数据集按70%训练集和30%测试集的比例分配给每个模型。为提升各模型性能，采用了迭代五折交叉验证方法。结果表明，GBR回归模型优于其他模型，训练集上的相关系数（R²）达到0.995，测试集为0.992；平均绝对误差（MAE）分别为0.0162和0.0147；均方根误差（RMSE）分别为0.02和0.0173。该模型在a20指数上的得分也很高，训练集为0.96，测试集为0.98。通过这四种回归模型，本研究提供了准确高效预测E的替代方法。要点
Keyword:
Young’s modulus
Data-driven approach
Gradient boosting regression
Mining rock engineering
期刊
IF:
6.6
论文数:
6.1K
被引数:
3.0W
机构
引用论文
分享收藏分享收藏
Bonded-particle discrete element modeling of mechanical behaviors of interlayered rock mass under loading and unloading conditions加载和卸载条件下层间岩体力学行为的粘结颗粒离散元模型
PREAI
分享收藏Prediction of airblast-overpressure induced by blasting using a hybrid artificial neural network and particle swarm optimization.png)
APPLIED ACOUSTICS
APPLIED ACOUSTICSIF3.6
PREAI
分享收藏Model tree approach for predicting uniaxial compressive strength and Young's modulus of carbonate rocks预测碳酸盐岩单轴抗压强度和杨氏模量的模型树方法
PREAI
分享收藏
查看更多内容