Forecasting principal stresses using microseismic data and a Long-Short Term Memory network at Garson Mine

ABSTRACT: This study proposes a Long-Short Term Memory (LSTM) network, a type of machine learning algorithm that is well-suited for time-series data, that utilizes microseismic data to forecast the principal stresses forward in time. This research is applied to Garson Mine in Sudbury, Canada. Scenario analyses were conducted on the length of the sequence of microseismic events needed, and on enhancing the input dataset by attributing each event to multiple FLAC3D zone centroids. The effects of the sequence length and input dataset enhancement showed that the number of training sequences did not significantly impact the performance of the LSTM network, indicating that the architecture would likely yield higher performance with the addition of more inputs (e.g., material parameters, stope locations and sequencing). Future work includes adding inputs from the FLAC3D model during training, implicitly including locations of stopes and excavations, applying a quantile loss function, and applying bootstrap aggregating to the sampling procedure to ensure good calibration of the Garson Mine LSTM network.

RÉSUMÉ: Cette étude propose un réseau de mémoire à long-court terme (LSTM), un type d’algorithme d’apprentissage automatique qui est bien adapté pour les données de séries chronologiques, qui utilise des données microsismiques pour prévoir les principales contraintes dans le temps. Cette recherche est appliquée à Garson Mine à Sudbury, au Canada. Des analyses de scénarios ont été menées sur la longueur de la séquence d'événements microsismiques nécessaires et sur l'amélioration du jeu de données d'entrée en attribuant chaque événement à plusieurs centres de gravité de zone FLAC3D. Les effets de la longueur de la séquence et de l'amélioration du jeu de données d'entrée ont montré que le nombre de séquences d'entraînement n'avait pas d'impact significatif sur les performances du LSTM, indiquant que l'architecture produirait probablement de meilleures performances avec l'ajout de plus d'entrées (par exemple, des paramètres de matériaux, emplacements des chantiers et séquençage). Les travaux futurs comprennent l'ajout d'entrées du modèle FLAC3D pendant la formation, y compris implicitement les emplacements des chantiers et des excavations, l'application d'une fonction de perte de quantile et l'application de l'agrégation bootstrap à la procédure d'échantillonnage pour assurer un bon étalonnage du Garson Mine LSTM.