Four machine learning algorithms (a

Four machine learning algorithms (artificial neural networks, a naive Bayes' classifier, a support vector machines and decision trees) were applied for a single pump station mine to monitor and predict the dam levels and energy consumption. This work was undertaken to investigate the feasibility of using artificial intelligence in certain aspects of the mining industry. If successful, artificial intelligence systems could lead to improved safety and reduced electrical energy consumption. The results show neural networks to be more efficient when compared with support vector machines, a naive Bayes' classifier and in particular, decision trees in terms of predicting underground dam levels. Artificial neural networks showed 60% accuracy, out-performing support vector machine, naive Bayes' classifier and decision trees. For the prediction of water pump energy consumption, an artificial neural network and a naive Bayes' classifier had the same accuracy of 99.0%, whereas a support vector machine and decision trees achieved a lower accuracy.

ผลลัพธ์ (ไทย) 1:

สี่เครื่องเรียนรู้อัลกอริทึม (ประดิษฐ์ประสาทเครือข่าย ของ Bayes ขำน่า classifier การสนับสนุนเวกเตอร์เครื่อง และต้นไม้การตัดสินใจ) ใช้สำหรับสูบเดียวสถานีเหมืองเพื่อตรวจสอบ และทำนายระดับเขื่อนและการใช้พลังงาน งานนี้ได้ดำเนินการตรวจสอบความเป็นไปได้ของการใช้ปัญญาประดิษฐ์ในบางแง่มุมของอุตสาหกรรมเหมืองแร่ ถ้าประสบความสำเร็จ ปัญญาประดิษฐ์ระบบอาจปรับปรุงความปลอดภัย และลดการใช้พลังงานไฟฟ้า ผลลัพธ์แสดงเครือข่ายประสาทจะมีประสิทธิภาพมากขึ้น เมื่อเปรียบเทียบกับเครื่องสนับสนุนเวกเตอร์ classifier ของ Bayes ขำน่าตัดสินใจต้นไม้ในการคาดการณ์ระดับเขื่อนใต้ดินโดยเฉพาะ เครือข่ายประสาทเทียมพบความแม่นยำ 60% เครื่องเวกเตอร์สนับสนุนประสิทธิภาพเข้า ต้นไม้ classifier และตัดสินใจของ Bayes ขำน่า สำหรับพยากรณ์ปริมาณการใช้พลังงานของปั๊มน้ำ มีโครงข่ายประสาทเทียมและ classifier ของ Bayes ขำน่าได้ถูกต้องเหมือนกัน 99.0% ในขณะที่การสนับสนุนเวกเตอร์เครื่องและตัดสินใจที่ต้นไม้ได้รับความถูกต้องต่ำกว่า

ผลลัพธ์ (ไทย) 2:

สี่ขั้นตอนวิธีการเรียนรู้เครื่อง (เครือข่ายประสาทเทียมไร้เดียงสาลักษณนามของเบย์, เครื่องเวกเตอร์การสนับสนุนและการตัดสินใจต้นไม้) ถูกนำมาใช้สำหรับเหมืองสถานีสูบน้ำเดียวที่จะตรวจสอบและคาดการณ์ระดับเขื่อนและการใช้พลังงาน งานนี้ได้รับการดำเนินการในการตรวจสอบความเป็นไปได้ของการใช้ปัญญาประดิษฐ์ในบางแง่มุมของอุตสาหกรรมเหมืองแร่ หากประสบความสำเร็จระบบปัญญาประดิษฐ์ที่อาจนำไปสู่​​ความปลอดภัยที่ดีขึ้นและลดการใช้พลังงานไฟฟ้า ผลการวิจัยพบเครือข่ายประสาทให้มีประสิทธิภาพมากขึ้นเมื่อเทียบกับการสนับสนุนเครื่องเวกเตอร์ลักษณนามไร้เดียงสา Bayes 'และโดยเฉพาะอย่างยิ่งต้นไม้การตัดสินใจในแง่ของการคาดการณ์ระดับเขื่อนใต้ดิน เครือข่ายประสาทเทียมที่แสดงให้เห็นความถูกต้อง 60% จากที่มีประสิทธิภาพเครื่องสนับสนุนเวกเตอร์ลักษณนามไร้เดียงสาของเบย์และการตัดสินใจต้นไม้ สำหรับการคาดการณ์ของปั๊มน้ำใช้พลังงาน, เครือข่ายประสาทเทียมและลักษณนามไร้เดียงสาของเบย์มีความถูกต้องเดียวกันของ 99.0% ในขณะที่การสนับสนุนเครื่องเวกเตอร์และการตัดสินใจต้นไม้ประสบความสำเร็จในความถูกต้องลดลง

ผลลัพธ์ (ไทย) 3:

สี่อัลกอริทึมการเรียนรู้ของเครื่องจักร ( โครงข่ายประสาทเทียม , Naive Bayes ' ประเภทสนับสนุนเวกเตอร์เครื่องจักรและต้นไม้การตัดสินใจ ) ที่ใช้สำหรับสถานีสูบน้ำเดียวของฉันในการตรวจสอบและคาดการณ์ เขื่อน และระดับการใช้พลังงาน งานวิจัยนี้มีวัตถุประสงค์เพื่อ ศึกษาความเป็นไปได้ในการใช้ปัญญาประดิษฐ์ในบางแง่มุมของอุตสาหกรรมเหมืองแร่ ถ้าสำเร็จระบบปัญญาประดิษฐ์ที่สามารถนำไปสู่การเพิ่มความปลอดภัย และลดการใช้พลังงานไฟฟ้า . ผลลัพธ์แสดงโครงข่ายประสาทเทียมจะมีประสิทธิภาพมากขึ้นเมื่อเทียบกับเครื่องเวกเตอร์สนับสนุนไร้เดียงสา Bayes ลักษณนาม ' และโดยเฉพาะการตัดสินใจของต้นไม้ในแง่ของทำนายระดับเขื่อนใต้ดิน โครงข่ายประสาทเทียมมีความแม่นยำ 60% , ออกแสดงเครื่องเวกเตอร์สนับสนุนNaive Bayes ' ลักษณนามและต้นไม้การตัดสินใจ เพื่อทำนายการใช้พลังงานปั๊มน้ำ , โครงข่ายประสาทเทียมและไร้เดียงสา Bayes ลักษณนาม ' มีความแม่นยำเดียวกันของ 99.0 % ในขณะที่สนับสนุนเวกเตอร์เครื่องจักรและต้นไม้การตัดสินใจได้ถูกต้องกว่า