Machine learning applied to the prediction of rockfall slope probability

Detalhes bibliográficos
Autor(a) principal: Silveira, Larissa Regina Costa
Data de Publicação: 2022
Outros Autores: Lana, Milene Sabino, Santos, Tatiana Barreto dos
Tipo de documento: Artigo
Idioma: eng
Título da fonte: Research, Society and Development
Texto Completo: https://rsdjournal.org/index.php/rsd/article/view/32603
Resumo: O objetivo desse trabalho é propor um modelo de predição da probabilidade de queda de blocos em taludes rochosos utilizando o método K-Nearest Neighbors (KNN). Foi utilizado um banco de dados composto por 220 taludes rochosos, cujas variáveis estão relacionadas à presença de água, características do maciço rochoso, descalçamento de blocos, entre outras. Para cada talude do banco de dados, a probabilidade de queda de blocos (alta, média ou baixa) é conhecida e foi determinada através de análise de agrupamento. O número de vizinhos mais próximos (k) variou entre 1 e 20. A acurácia média obtida dos modelos de predição testados foi igual a 78,4%. Os modelos produziram resultados satisfatórios na previsão da probabilidade de queda de blocos, uma vez que a área sob a curva ROC foi igual a 0,80. O melhor modelo foi selecionado com base no valor de k com maior acurácia e maior área sob a curva ROC. O modelo selecionado teve um valor de k igual a 7.
id UNIFEI_3d754ff86cd92266445150144de7a69c
oai_identifier_str oai:ojs.pkp.sfu.ca:article/32603
network_acronym_str UNIFEI
network_name_str Research, Society and Development
repository_id_str
spelling Machine learning applied to the prediction of rockfall slope probability Aprendizaje de máquinas aplicado a la predicción de la probabilidad de caída de rocas Aprendizado de máquina aplicado à predição da probabilidade de quedas de blocos em taludesRockfallMachine learningK-Nearest NeighborsRock slope stability.Caída de rocasAprendizaje automáticoK-Nearest NeighborsEstabilidad de taludes de roca.Queda de blocosAprendizado de máquinaEstabilidade de taludes em rocha.O objetivo desse trabalho é propor um modelo de predição da probabilidade de queda de blocos em taludes rochosos utilizando o método K-Nearest Neighbors (KNN). Foi utilizado um banco de dados composto por 220 taludes rochosos, cujas variáveis estão relacionadas à presença de água, características do maciço rochoso, descalçamento de blocos, entre outras. Para cada talude do banco de dados, a probabilidade de queda de blocos (alta, média ou baixa) é conhecida e foi determinada através de análise de agrupamento. O número de vizinhos mais próximos (k) variou entre 1 e 20. A acurácia média obtida dos modelos de predição testados foi igual a 78,4%. Os modelos produziram resultados satisfatórios na previsão da probabilidade de queda de blocos, uma vez que a área sob a curva ROC foi igual a 0,80. O melhor modelo foi selecionado com base no valor de k com maior acurácia e maior área sob a curva ROC. O modelo selecionado teve um valor de k igual a 7.El objetivo de este trabajo es proponer un modelo de predicción de la probabilidad de caída de bloques en taludes rocosos utilizando el método K-Nearest Neighbors (KNN). Se utilizó una base de datos con 220 taludes rocosos, cuyas variables están relacionadas con la presencia de agua, características del macizo rocoso, la presencia de bloques sueltos en los taludes, entre otras. Para cada talud del conjunto de datos, se conoce la probabilidad de caída de rocas (alta, media o baja) y se determinó a través del análisis de conglomerados. El número de vecinos más cercanos (k) se varió entre 1 y 20. La precisión promedio obtenida de los modelos de predicción probados fue igual a 78,4%. Los modelos arrojaron resultados satisfactorios en la predicción de la probabilidad de caída de rocas, ya que el área bajo la curva ROC fue igual a 0,80. El mejor modelo se seleccionó en función del valor k con mayor precisión y el área más alta bajo la curva ROC. El modelo seleccionado fue el que tenía un valor de k igual a 7.The objective of this work is to propose a predictive model of rockfall slope probability in rock slopes using the K-Nearest Neighbors (KNN) method. A dataset composed by 220 rock slopes was used, whose variables are related to the presence of water, characteristics of the rock mass, degree of overhang, among others. For each slope of the dataset, rockfall probability (high, medium, or low) is known and determined by cluster analysis. The number of the nearest neighbors (k) ranged from 1 to 20. The obtained average accuracy of the tested predictive models was equal to 78.4%. The models produced satisfactory results in the prediction of the rockfall probability, since the area under the ROC curve was equal to 0.80. The best model was selected based on the k value with the highest accuracy and the highest area under the ROC curve. The selected model had a k value equal to 7.Research, Society and Development2022-07-24info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://rsdjournal.org/index.php/rsd/article/view/3260310.33448/rsd-v11i10.32603Research, Society and Development; Vol. 11 No. 10; e89111032603Research, Society and Development; Vol. 11 Núm. 10; e89111032603Research, Society and Development; v. 11 n. 10; e891110326032525-3409reponame:Research, Society and Developmentinstname:Universidade Federal de Itajubá (UNIFEI)instacron:UNIFEIenghttps://rsdjournal.org/index.php/rsd/article/view/32603/27586Copyright (c) 2022 Larissa Regina Costa Silveira; Milene Sabino Lana; Tatiana Barreto dos Santoshttps://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccessSilveira, Larissa Regina CostaLana, Milene SabinoSantos, Tatiana Barreto dos 2022-08-12T22:23:03Zoai:ojs.pkp.sfu.ca:article/32603Revistahttps://rsdjournal.org/index.php/rsd/indexPUBhttps://rsdjournal.org/index.php/rsd/oairsd.articles@gmail.com2525-34092525-3409opendoar:2024-01-17T09:48:32.854256Research, Society and Development - Universidade Federal de Itajubá (UNIFEI)false
dc.title.none.fl_str_mv Machine learning applied to the prediction of rockfall slope probability
Aprendizaje de máquinas aplicado a la predicción de la probabilidad de caída de rocas
Aprendizado de máquina aplicado à predição da probabilidade de quedas de blocos em taludes
title Machine learning applied to the prediction of rockfall slope probability
spellingShingle Machine learning applied to the prediction of rockfall slope probability
Silveira, Larissa Regina Costa
Rockfall
Machine learning
K-Nearest Neighbors
Rock slope stability.
Caída de rocas
Aprendizaje automático
K-Nearest Neighbors
Estabilidad de taludes de roca.
Queda de blocos
Aprendizado de máquina
Estabilidade de taludes em rocha.
title_short Machine learning applied to the prediction of rockfall slope probability
title_full Machine learning applied to the prediction of rockfall slope probability
title_fullStr Machine learning applied to the prediction of rockfall slope probability
title_full_unstemmed Machine learning applied to the prediction of rockfall slope probability
title_sort Machine learning applied to the prediction of rockfall slope probability
author Silveira, Larissa Regina Costa
author_facet Silveira, Larissa Regina Costa
Lana, Milene Sabino
Santos, Tatiana Barreto dos
author_role author
author2 Lana, Milene Sabino
Santos, Tatiana Barreto dos
author2_role author
author
dc.contributor.author.fl_str_mv Silveira, Larissa Regina Costa
Lana, Milene Sabino
Santos, Tatiana Barreto dos
dc.subject.por.fl_str_mv Rockfall
Machine learning
K-Nearest Neighbors
Rock slope stability.
Caída de rocas
Aprendizaje automático
K-Nearest Neighbors
Estabilidad de taludes de roca.
Queda de blocos
Aprendizado de máquina
Estabilidade de taludes em rocha.
topic Rockfall
Machine learning
K-Nearest Neighbors
Rock slope stability.
Caída de rocas
Aprendizaje automático
K-Nearest Neighbors
Estabilidad de taludes de roca.
Queda de blocos
Aprendizado de máquina
Estabilidade de taludes em rocha.
description O objetivo desse trabalho é propor um modelo de predição da probabilidade de queda de blocos em taludes rochosos utilizando o método K-Nearest Neighbors (KNN). Foi utilizado um banco de dados composto por 220 taludes rochosos, cujas variáveis estão relacionadas à presença de água, características do maciço rochoso, descalçamento de blocos, entre outras. Para cada talude do banco de dados, a probabilidade de queda de blocos (alta, média ou baixa) é conhecida e foi determinada através de análise de agrupamento. O número de vizinhos mais próximos (k) variou entre 1 e 20. A acurácia média obtida dos modelos de predição testados foi igual a 78,4%. Os modelos produziram resultados satisfatórios na previsão da probabilidade de queda de blocos, uma vez que a área sob a curva ROC foi igual a 0,80. O melhor modelo foi selecionado com base no valor de k com maior acurácia e maior área sob a curva ROC. O modelo selecionado teve um valor de k igual a 7.
publishDate 2022
dc.date.none.fl_str_mv 2022-07-24
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://rsdjournal.org/index.php/rsd/article/view/32603
10.33448/rsd-v11i10.32603
url https://rsdjournal.org/index.php/rsd/article/view/32603
identifier_str_mv 10.33448/rsd-v11i10.32603
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv https://rsdjournal.org/index.php/rsd/article/view/32603/27586
dc.rights.driver.fl_str_mv Copyright (c) 2022 Larissa Regina Costa Silveira; Milene Sabino Lana; Tatiana Barreto dos Santos
https://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Copyright (c) 2022 Larissa Regina Costa Silveira; Milene Sabino Lana; Tatiana Barreto dos Santos
https://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Research, Society and Development
publisher.none.fl_str_mv Research, Society and Development
dc.source.none.fl_str_mv Research, Society and Development; Vol. 11 No. 10; e89111032603
Research, Society and Development; Vol. 11 Núm. 10; e89111032603
Research, Society and Development; v. 11 n. 10; e89111032603
2525-3409
reponame:Research, Society and Development
instname:Universidade Federal de Itajubá (UNIFEI)
instacron:UNIFEI
instname_str Universidade Federal de Itajubá (UNIFEI)
instacron_str UNIFEI
institution UNIFEI
reponame_str Research, Society and Development
collection Research, Society and Development
repository.name.fl_str_mv Research, Society and Development - Universidade Federal de Itajubá (UNIFEI)
repository.mail.fl_str_mv rsd.articles@gmail.com
_version_ 1797052718549827584

Registros relacionados