Materiały konferencyjne SEP 2025

11 Ze względu na charakterystykę metody pomiarowej, długości poszczególnych pomiarów znacznie różniły się między sobą. W celu zachowania spójności danych, określono długość najkrótszego pomiaru jako 300 tys. i dostosowano pozostałe pliki tak, aby posiadały taką samą ilość próbek. Pobrane dane zawierają kolumnę z indeksem, oraz 3 kolumny określające kąt pomiaru repre- zentowany przez napięcie wyrażone w woltach [V]. Dla każdej kotwy wykonano 3 pomiary, za każdym razem obracając układ pomiarowy o 90 stopni. Kolejnym krokiem było oznaczenie danych odpowiednimi etykietami, tak aby możliwe było ich przeanalizowanie przez testowane algorytmy klasyfikacyjne. W trakcie pomiaru nr 1, 08.11.2024 ustalono organoleptycznie, że kotwa nr 4 była luźno za- mocowana w stropie. Ze względu na warunki panujące w kopalni, kotwy poddawane są szyb- kiej korozji, co może wpłynąć na ich własności fizyczne. W trakcie pomiaru nr 2, 13.01.2025 ustalono, że luz na kotwie nie występował w stopniu pozwalającym na tego rodzaju stwierdze- nie. Głównym przedmiotem badań było określenie, czy jakość mocowania kotwy, oceniona orga- noleptycznie, może zostać zweryfikowana za pomocą metod klasyfikacji danych. Analiza ta była kluczowa dla oceny potencjału wybranych algorytmów W obu zestawach danych ozna- czono kotwy 1-3 etykietą '0', a kotwę 4 etykietą '1', gdzie 0 oznaczało kotwę prawidłowo za- mocowaną, a 1 kotwę zamocowaną nieprawidłowo. Następnie przetestowano opracowany algorytm uczenia maszynowego na dwóch modelach, z których model 1 zawierał wyłącznie dane z pomiaru 1, a model 2 był uczony na danych z obu pomiarów. Otrzymane wyniki zostały opisane za pomocą macierzy błędów (Tabela 1) oraz zestawu metryk (Tabela 2.). Tabela 1. Macierz błędów dla algorytmu Random Forest Table 1. Confusion Matrix for the Random Forest Algorithm Macierz błędów Model 1 Model 2 TP 20489 44613 TN 65126 134020 FP 2339 755 FN 2046 612