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.