Machine learning applied to the prediction of rockfall slope probability
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Outros Autores: | , |
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 |