Madencilikte Patlatma Verimliliğinin Tahmini: Boosting Tabanlı Makine Öğrenmesi Algoritmaları ile Kapsamlı Bir Değerlendirme

Bu çalışma, yeraltı madencilik operasyonlarında patlatma verimliliğini gerçek saha verileri kullanarak tahmin etmeyi amaçlamaktadır. Beş güncel boosting algoritması (LightGBM, XGBoost, CatBoost, NGBoost ve HistGBM) karşılaştırmalı olarak değerlendirilmiş, ayrıca basit ortalama, ağırlıklı ortalama ve en iyi üç model ile ağırlıklı ortalama gibi topluluk öğrenme stratejileri uygulanmıştır. 2019–2020 yılları arasında gerçekleştirilen 652 patlatma işleminden oluşan veri kümesi üzerinde standart ön işleme yöntemleri uygulanmıştır. Modellerin performansı R², RMSE ve MAE metrikleri ile ölçülmüştür. Bulgular, en iyi üç modelin (XGBoost, CatBoost ve NGBoost) ağırlıklı ortalamasının en yüksek başarıyı sağladığını göstermektedir (R² = 0.7383, RMSE = 8.18, MAE = 5.43). Bu sonuçlar, boosting algoritmalarının topluluk öğrenme yöntemleriyle birleştirilmesinin patlatma verimliliğini daha doğru ve güvenilir biçimde tahmin ettiğini ortaya koymaktadır. Önerilen çerçeve, madencilik operasyonlarında kaynak optimizasyonu, operasyonel güvenlik ve sürdürülebilirlik hedeflerini destekleyen veriye dayalı karar destek sistemlerine katkı sunmaktadır.