Resumen:
En este trabajo se propone un modelo basado en Redes Neuronales Convolucionales para identificar zonas inestables en contrapozos Robbin’s. La arquitectura utilizada es la ResNet-18 la cual fue elegida por su compromiso entre la profundidad y precisión, lo que permite un costo computacional aceptable y tiempo de entrenamiento relativamente corto. La ResNet-18 está compuesta por cinco capas convolucionales, una de agrupación promedio y una capa totalmente conectada a una función de activación de salida sigmoidal. La red en este caso determinará una zona estable o inestable debido a la presencia de fisuras o grietas que fracturen la roca.
Descripción:
In this work, a model based on Convolutional Neural Networks is proposed to identify unstable zones in Robbin's shafts. The architecture used is ResNet-18, which was chosen for its compromise between depth and precision, which allows an acceptable computational cost and a relatively short training time. ResNet-18 is composed of five convolutional layers, one average pooling layer, and one fully connected layer with a sigmoidal output activation function. The network in this case will determine a stable or unstable zone due to the presence of fissures or cracks that fracture the rock, etc.
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial 3.0 United States