Información

Máquina espaciadora de minas


Máquina espaciadora de minas

Aquí vemos una máquina que fija la distancia entre las minas a medida que se dejan caer desde la parte trasera de un minador. La distancia se controla mediante un carrete de cuerda de piano.


Túneles y excavaciones subterráneas

Nuestros editores revisarán lo que ha enviado y determinarán si deben revisar el artículo.

Túneles y excavaciones subterráneas, pasaje subterráneo horizontal producido por excavación u ocasionalmente por la acción de la naturaleza al disolver una roca soluble, como la piedra caliza. Una abertura vertical generalmente se llama eje. Los túneles tienen muchos usos: para la extracción de minerales, para el transporte, incluidos vehículos de carretera, trenes, subterráneos y canales, y para la conducción de agua y aguas residuales. Las cámaras subterráneas, a menudo asociadas con un complejo de túneles y pozos de conexión, se utilizan cada vez más para cosas tales como centrales hidroeléctricas subterráneas, plantas de procesamiento de minerales, estaciones de bombeo, estacionamiento de vehículos, almacenamiento de petróleo y agua, plantas de tratamiento de agua, almacenes y manufactura ligera, también centros de comando y otras necesidades militares especiales.

Los verdaderos túneles y cámaras se excavan desde el interior, dejando el material superpuesto en su lugar, y luego se alinean según sea necesario para sostener el suelo adyacente. La entrada de un túnel en la ladera se denomina portal. Los túneles también pueden iniciarse desde la parte inferior de un eje vertical o desde el final de un túnel horizontal conducido principalmente para el acceso a la construcción y llamado túnel. Los llamados túneles de corte y cubierta (más correctamente llamados conductos) se construyen excavando en la superficie, construyendo la estructura y luego cubriéndola con relleno. Los túneles bajo el agua ahora se construyen comúnmente mediante el uso de un tubo sumergido: secciones de tubo largas y prefabricadas se flotan hasta el sitio, se hunden en una zanja preparada y se cubren con relleno. Para todos los trabajos subterráneos, las dificultades aumentan con el tamaño de la abertura y dependen en gran medida de las debilidades del suelo natural y la extensión del flujo de agua.


Contenido

Acceso subterráneo Editar

El acceso al mineral subterráneo se puede lograr a través de un declive (rampa), un eje vertical inclinado o un saliente.

  • Disminuciones puede ser un túnel en espiral que rodea el flanco del depósito o rodea el depósito. El declive comienza con un corte de caja, que es el portal a la superficie. Dependiendo de la cantidad de sobrecarga y la calidad del lecho rocoso, es posible que se requiera una excavadora de acero galvanizado por motivos de seguridad. También pueden iniciarse en la pared de una mina a cielo abierto.
  • Ejes son excavaciones verticales hundidas adyacentes a un cuerpo de mineral. Los pozos se hunden para los cuerpos de mineral donde el transporte a la superficie a través de un camión no es económico. El transporte por pozo es más económico que el transporte por camión en profundidad, y una mina puede tener tanto un declive como una rampa.
  • Adits son excavaciones horizontales en la ladera de una colina o montaña. Los diques se utilizan para cuerpos de mineral horizontales o casi horizontales donde no hay necesidad de una rampa o pozo.

Los descensos a menudo se inician desde el lado del muro alto de una mina a cielo abierto cuando el cuerpo mineral es de un grado pagadero suficiente para soportar una operación de minería subterránea, pero la relación de extracción se ha vuelto demasiado grande para admitir métodos de extracción a cielo abierto. También se construyen y mantienen a menudo como un acceso de seguridad de emergencia desde las obras subterráneas y un medio para trasladar equipos grandes a las obras.

Acceso al mineral Editar

Los niveles se excavan horizontalmente en el declive o pozo para acceder al cuerpo mineral. Luego, se excavan rebajes perpendiculares (o casi perpendiculares) al nivel del mineral.

Hay dos fases principales de la minería subterránea: la minería de desarrollo y la minería de producción.

La minería de desarrollo se compone de excavación casi en su totalidad en roca estéril (no valiosa) para obtener acceso al yacimiento. Hay seis pasos en la minería de desarrollo: remover el material previamente volado (muck out round), escalar (remover cualquier losa inestable de roca que cuelgue del techo y paredes laterales para proteger a los trabajadores y al equipo de daños), instalar soporte y / y refuerzo usando shotcrete, etcétera. , perforar roca frontal, cargar explosivos y detonar explosivos. Para iniciar la minería, el primer paso es hacer el camino para bajar. La ruta se define como 'Rechazar' como se describe arriba. Antes del inicio de Decline, se requiere toda la planificación previa de la instalación de energía, disposición de perforación, desagüe, ventilación y extracción de lodo. [2]

La minería de producción se divide en dos métodos, pozo largo y pozo corto. La minería de pozos cortos es similar a la minería de desarrollo, excepto que ocurre en el mineral. Hay varios métodos diferentes de minería de pozos largos. Por lo general, la minería de pozos largos requiere dos excavaciones dentro del mineral a diferentes elevaciones debajo de la superficie (15 ma 30 m de distancia). Se perforan agujeros entre las dos excavaciones y se cargan con explosivos. Los agujeros se volan y el mineral se extrae de la excavación del fondo.

Uno de los aspectos más importantes de la minería subterránea de roca dura es la ventilación. La ventilación es el método principal para eliminar los gases y / o el polvo peligrosos que se crean a partir de la actividad de perforación y voladura (p. Ej., Polvo de sílice, NOx), equipos diesel (p. Ej., Partículas de diesel, monóxido de carbono), o para proteger contra gases que son naturalmente que emana de la roca (p. ej., gas radón). La ventilación también se utiliza para gestionar las temperaturas subterráneas de los trabajadores. En las minas profundas y calientes, la ventilación se utiliza para enfriar el lugar de trabajo; sin embargo, en lugares muy fríos el aire se calienta hasta justo por encima del punto de congelación antes de entrar en la mina. Los aumentos de ventilación se utilizan normalmente para transferir la ventilación de la superficie a los lugares de trabajo y se pueden modificar para utilizarlos como rutas de escape de emergencia. Las principales fuentes de calor en las minas subterráneas de roca dura son la temperatura de la roca virgen, la maquinaria, la autocompresión y el agua de fisuras. Otros pequeños factores que contribuyen son el calor corporal y las explosiones.

Se requieren algunos medios de apoyo para mantener la estabilidad de las aberturas que se excavan. Este apoyo viene en dos formas, apoyo local y apoyo de área.

Área de apoyo en tierra Editar

El soporte de tierra del área se utiliza para evitar fallas de tierra importantes. Se perforan agujeros en la parte posterior (techo) y paredes y se instala una varilla de acero larga (o perno de roca) para mantener el suelo unido. Hay tres categorías de pernos de roca, que se diferencian por cómo se acoplan a la roca anfitriona. [3] Ellos son:

Pernos mecánicos Editar

  • Pernos de anclaje puntuales (o pernos de carcasa de expansión) son un estilo común de soporte de tierra de área. Un perno de anclaje puntual es una barra de metal entre 20 mm - 25 mm de diámetro y entre 1 m - 4 m de largo (el tamaño lo determina el departamento de ingeniería de la mina). Hay una carcasa de expansión al final del perno que se inserta en el orificio. A medida que el perno se aprieta con el taladro de instalación, la carcasa de expansión se expande y el perno se aprieta manteniendo la roca unida. Los pernos mecánicos se consideran un soporte temporal ya que su vida útil se reduce por la corrosión, ya que no están enlechados. [3]

Pernos con lechada Editar

  • Barras de refuerzo con lechada de resina se utiliza en áreas que requieren más apoyo que el que puede proporcionar un perno de anclaje puntual. La barra de refuerzo utilizada es de tamaño similar a un perno de anclaje puntual, pero no tiene un caparazón de expansión. Una vez que se perfora el orificio para la barra de refuerzo, se instalan cartuchos de resina de poliéster en el orificio. El perno de la barra de refuerzo se instala después de la resina y se gira con el taladro de instalación. Esto abre el cartucho de resina y lo mezcla. Una vez que la resina se endurece, el taladro al girar aprieta el perno de la barra de refuerzo que mantiene unida la roca. Las barras de refuerzo con lechada de resina se consideran un soporte de suelo permanente con una vida útil de 20 a 30 años. [3]
  • Pernos de cable se utilizan para unir grandes masas de roca en la pared colgante y alrededor de grandes excavaciones. Los pernos de cable son mucho más grandes que los pernos para roca y las barras de refuerzo estándar, generalmente entre 10 y 25 metros de largo. Los pernos de los cables se enlechan con una lechada de cemento. [3]

Pernos de fricción Editar

  • Estabilizador de fricción (frecuentemente llamado por la marca genéricaConjunto dividido) son mucho más fáciles de instalar que los pernos mecánicos o los pernos con lechada. El perno se clava en el orificio de perforación, que tiene un diámetro más pequeño que el perno. La presión del perno en la pared mantiene la roca unida. Los estabilizadores de fricción son particularmente susceptibles a la corrosión y al óxido del agua, a menos que estén enlechados. Una vez inyectado, la fricción aumenta en un factor de 3-4. [3]
  • Swellex es similar a los estabilizadores de fricción, excepto que el diámetro del perno es menor que el diámetro del orificio. Se inyecta agua a alta presión en el perno para expandir el diámetro del perno y mantener la roca unida. Al igual que el estabilizador de fricción, swellex está mal protegido contra la corrosión y el óxido. [3]

Apoyo terrestre local Editar

Se utiliza un soporte de tierra local para evitar que las rocas más pequeñas caigan de la espalda y las costillas. No todas las excavaciones requieren apoyo terrestre local.

  • Malla de alambre soldada es una pantalla de metal con aberturas de 10 cm x 10 cm (4 pulgadas). La malla se sujeta a la parte posterior mediante pernos de anclaje puntuales o barras de refuerzo con lechada de resina.
  • Hormigón proyectado es un spray reforzado con fibras sobre hormigón que recubre la espalda y las nervaduras evitando la caída de rocas más pequeñas. El espesor del hormigón proyectado puede oscilar entre 50 mm y 100 mm.
  • Membranas de látex se puede rociar en las espaldas y nervaduras de forma similar al hormigón proyectado, pero en cantidades más pequeñas.

Escalera y retirada Editar

Con este método, se planifica la extracción para extraer roca de los rebajes sin llenar los vacíos, lo que permite que las rocas de la pared se derrumben en el rebaje extraído después de que se haya extraído todo el mineral. A continuación, se sella el rebaje para evitar el acceso.

Rebajar y llenar Editar

Cuando se van a extraer grandes masas minerales a gran profundidad, o donde dejar pilares de mineral no es rentable, el rebaje abierto se llena con relleno, que puede ser una mezcla de cemento y roca, una mezcla de cemento y arena o una mezcla de cemento y relaves. . Este método es popular ya que los rebajes rellenados brindan soporte a los rebajes adyacentes, lo que permite la extracción total de recursos económicos.

El método de extracción seleccionado está determinado por el tamaño, la forma, la orientación y el tipo de yacimiento a extraer. El yacimiento puede ser una veta angosta, como una mina de oro en Witwatersrand, el yacimiento puede ser masivo, similar a la mina Olympic Dam, Australia del Sur, o la mina Cadia-Ridgeway, Nueva Gales del Sur. El ancho o tamaño del yacimiento está determinado por la ley, así como por la distribución del mineral. El buzamiento del yacimiento también influye en el método de extracción, por ejemplo, un yacimiento de veta horizontal angosto se extraerá por habitación y pilar o un método de tajo largo, mientras que un yacimiento de veta angosta vertical se extraerá mediante un método de tajo abierto o corte y relleno. Se necesita una mayor consideración de la resistencia del mineral, así como de la roca circundante. Un cuerpo de mineral alojado en roca fuerte autoportante puede ser extraído por un método de rebaje abierto y un cuerpo de mineral alojado en roca pobre puede necesitar ser extraído por un método de corte y relleno donde el vacío se llena continuamente a medida que se extrae el mineral.

Métodos de minería selectiva Editar

  • Cortar y rellenar La minería es un método de minería de pozos cortos que se utiliza en zonas de minerales irregulares o de inmersión pronunciada, en particular donde la pared colgante limita el uso de métodos de pozos largos. El mineral se extrae en rodajas horizontales o ligeramente inclinadas y luego se llena con roca estéril, arena o relaves. Cualquiera de las opciones de relleno se puede consolidar con hormigón o dejar sin consolidar. La minería de corte y relleno es un método costoso pero selectivo, con las ventajas de una baja dilución y pérdida de mineral. [4]
  • Deriva y relleno es similar al corte y relleno, excepto que se utiliza en zonas de mineralización, que son más anchas de lo que el método de deriva permite extraerlas. En este caso, la primera deriva se desarrolla en el mineral y se rellena con relleno consolidado. La segunda deriva se conduce junto a la primera deriva. Esto continúa hasta que la zona de mineral se extrae en todo su ancho, momento en el que se inicia el segundo corte encima del primer corte.
  • Parada de contracción es un método de extracción de pozos cortos que es adecuado para depósitos de mineral de inmersión pronunciada. Este método es similar a la minería de corte y relleno, con la excepción de que después de voladura, el mineral quebrado se deja en el rebaje donde se utiliza para soportar la roca circundante y como plataforma desde la que trabajar. Solo se extrae suficiente mineral del rebaje para permitir la perforación y voladura de la siguiente rodaja. El rebaje se vacía cuando se ha volado todo el mineral. Aunque es muy selectivo y permite una baja dilución, dado que la mayor parte del mineral permanece en el rebaje hasta que se completa la extracción, existe un retorno demorado de las inversiones de capital. [4]
  • VRM/ Videograbadora: La minería de retroceso vertical (VRM), también conocida como retroceso de cráter vertical (VCR), es un método en el que la mina se divide en zonas verticales [aclaración necesaria] con una profundidad de unos 50 metros utilizando minería de abajo hacia arriba con rebaje abierto. Se perforan orificios de gran diámetro de pozo largo verticalmente en el cuerpo mineralizado desde la parte superior utilizando en el pozo (ITH) [5] [aclaración necesaria] perforaciones, y luego voladura de rodajas horizontales del cuerpo mineral en un socavado. Mineral explotado en recuperación tomado en fase. Esta recuperación se realiza desde la parte inferior de la sección desarrollada. La última limpieza del mineral se realiza mediante máquinas LHD controladas a distancia. Un sistema de rebajes primarios y secundarios se utiliza a menudo en la minería de VCR, donde los rebajes primarios se extraen en la primera etapa y luego se rellenan con relleno cementado para proporcionar soporte de pared para la voladura de rebajes sucesivos. Las cámaras laterales se extraerán en una secuencia planificada previamente después de que el relleno se haya solidificado. [6] [7]

Métodos de minería a granel Editar

  • Espeleología en bloque se utiliza para extraer minerales masivos de inmersión pronunciada (normalmente de baja ley) con alta friabilidad. Un socavado con acceso de transporte se coloca debajo del yacimiento, con "campanas" excavadas entre la parte superior del nivel de transporte y la parte inferior del socavado. Las campanas sirven como un lugar para que caiga la roca hundida. El yacimiento se perfora y chorrea por encima del socavado, y el mineral se extrae a través del acceso de transporte. Debido a la friabilidad del yacimiento, el mineral por encima de la primera explosión se hunde y cae en las campanas. A medida que se extrae el mineral de las campanas, el yacimiento se derrumba, proporcionando un flujo constante de mineral. [4] Si el derrumbe se detiene y continúa la extracción de mineral de las campanas de arrastre, se puede formar un gran vacío, lo que puede provocar un colapso repentino y masivo y una ráfaga de viento potencialmente catastrófica en toda la mina. [8] [se necesita una mejor fuente] Donde continúan los derrumbes, la superficie del suelo puede colapsar en una depresión superficial como las de las minas de molibdeno Climax y Henderson en Colorado. Esta configuración es una de varias a las que los mineros aplican el término "agujero glorioso".

Los cuerpos minerales que no se derrumban fácilmente a veces se acondicionan previamente mediante fracturación hidráulica, voladura o una combinación de ambos. La fracturación hidráulica se ha aplicado al preacondicionamiento de techos de roca fuerte sobre paneles de carbón de pared larga y a la inducción de derrumbes en minas de carbón y de roca dura.

  • Minería de habitaciones y pilares : La minería de habitaciones y pilares se realiza comúnmente en cuerpos de mineral de lecho plano o de inmersión suave. Los pilares se dejan en su lugar en un patrón regular mientras se extraen las salas. En muchas minas de habitaciones y pilares, los pilares se retiran comenzando en el punto más alejado del acceso al rebaje, lo que permite que el techo se derrumbe y llene el rebaje. Esto permite una mayor recuperación ya que queda menos mineral en los pilares.

En las minas que utilizan equipo con neumáticos de caucho para la extracción de mineral grueso, el mineral (o "estiércol") se extrae del rebaje (denominado "estirado" o "empantanado") utilizando vehículos articulados centrales (denominados boggers o LHD ( Máquina de carga, transporte, descarga)). Estos equipos pueden funcionar con motores diésel o eléctricos y se asemejan a un cargador frontal de perfil bajo. Los LHD que funcionan con electricidad utilizan cables de arrastre que son flexibles y se pueden extender o retraer en un carrete. [9]

Luego, el mineral se vierte en un camión para transportarlo a la superficie (en minas menos profundas). En minas más profundas, el mineral se vierte por un paso de mineral (una excavación vertical o casi vertical) donde cae a un nivel de recolección. En el nivel de recolección, puede recibir trituración primaria a través de una trituradora de mandíbula o de cono, o mediante un rompe rocas. Luego, el mineral se mueve mediante cintas transportadoras, camiones u ocasionalmente trenes hasta el pozo para ser izado a la superficie en cubos o contenedores y vaciado en contenedores debajo del bastidor de la superficie para su transporte al molino.

En algunos casos, la trituradora primaria subterránea alimenta una cinta transportadora inclinada que entrega el mineral a través de un eje inclinado directamente a la superficie. El mineral se alimenta por pasos de mineral, y los equipos de minería acceden al cuerpo de mineral a través de un declive desde la superficie.


Del editor: la máquina Linotype de la historia de los periódicos necesita un nuevo hogar

Tenemos una máquina antigua fascinante que necesita un nuevo hogar.

Hemos estado limpiando en preparación para nuestro regreso al trabajo en nuestras oficinas, y ya no tenemos espacio para un fragmento de la historia de un periódico que pertenece a un museo.

Se trata de una máquina de Linotype, fabricada por Mergenthaler Linotype Co. de Nueva York, y de los creadores y mejoradores de Linotype, según la información que figura en una placa adjunta.

Fue construido en 1920 y utilizado por The Dispatch hasta 1974 para configurar el tipo de páginas de periódicos. En un momento, estas máquinas eran omnipresentes en el negocio de las noticias.

En los diarios del metro, decenas de ellos se sentaron en el área de producción, donde los operadores de Linotype tomaron lo que los reporteros habían escrito en papel con máquinas de escribir y los editores lo editaron con lápices y lo mecanografiaron en Linotype.

Es difícil imaginar en la era digital cómo funcionaba esta maravilla mecánica, con sus muchas partes móviles y su olla de metal caliente.

Cuando era niño, en la década de 1960, a veces acompañaba a mi padre a la oficina del periódico en mi ciudad natal de Orrville. Papá era reportero y fotógrafo del Wooster Daily Record, que compartía oficinas con el semanario local, The Courier-Crescent. (Más tarde trabajé para ambos periódicos al salir de la universidad como editor de The Courier y editor de la oficina de Orrville para The Daily Record).

Mientras mi padre contaba una historia sobre el viejo Royal negro en la sala de redacción, yo pasaba el rato en la trastienda, donde el editor y editor de Courier Paul Powell se sentaba en el Linotype y redactaba su columna semanal. No lo mecanografió en papel antes de tiempo. Se sentó en el Linotype y escribió la columna.

No me di cuenta en ese momento de lo audaz que fue ese movimiento, dado lo que sucedió a continuación. Cada vez que pulsaba una tecla en el teclado único, se sacaba mecánicamente un pequeño molde que representaba una letra, un punto, una coma o un espacio de grandes cajas de texto que estaban encima de la máquina, inclinadas hacia el teclado.

Esas pequeñas piezas de metal caerían en una línea, creando la "quolina del tipo". Cuando la línea estuviera completa, el metal caliente fluiría en una forma sobre los moldes. El metal se enfrió rápidamente y la línea de tipos recién formada se movería para que la siguiente persona en el proceso de producción pudiera colocar el tipo en un formulario del tamaño de una página y preparar las planchas para las prensas.

Eso simplifica demasiado un proceso industrial complicado, pero el punto es que componer una columna en la Linotype era lo más parecido a cincelar sus pensamientos directamente en piedra. He pulsado la tecla de retroceso y borrado teclas una docena de veces al redactar este párrafo.

Se necesita mucha habilidad y extrema consideración para hacer lo que hizo Powell. Estaba a punto de jubilarse y lo había hecho durante muchos, muchos años, por lo que era muy bueno en eso. Pero incluso él cometió errores. De vez en cuando, se detenía, murmuraba en voz baja, levantaba la mano y agarraba la línea de letra recién acuñada y la arrojaba de nuevo al crisol.

Luego, ingresaba una nueva línea de texto para corregir el error tipográfico.

Para un niño que crecía en la era espacial, esta máquina maravillosamente complicada y efectiva, ruidosa, ruidosa, era una auténtica maravilla.

Todavía lo es, y espero que podamos encontrar un buen hogar rápidamente para The Dispatch & rsquos, un Linotype restante. Necesitamos moverlo de su ubicación actual antes del 30 de abril. Envíeme un correo electrónico si puede ayudar.


Contenido

La clasificación de datos es una tarea común en el aprendizaje automático. Suponga que algunos puntos de datos dados pertenecen a una de dos clases, y el objetivo es decidir qué clase nuevo el punto de datos estará adentro. En el caso de las máquinas de vectores de soporte, un punto de datos se ve como un vector dimensional p < displaystyle p> (una lista de números p < displaystyle p>), y queremos saber si puede separar esos puntos con un (p - 1) < displaystyle (p-1)> - hiperplano dimensional. A esto se le llama clasificador lineal. Hay muchos hiperplanos que pueden clasificar los datos. Una elección razonable como mejor hiperplano es la que representa la mayor separación, o margen, entre las dos clases. Entonces elegimos el hiperplano para maximizar la distancia desde él hasta el punto de datos más cercano en cada lado. Si tal hiperplano existe, se conoce como el hiperplano de margen máximo y el clasificador lineal que define se conoce como clasificador de margen máximo o equivalentemente, el perceptrón de estabilidad óptima. [ cita necesaria ]

Más formalmente, una máquina de vectores de soporte construye un hiperplano o un conjunto de hiperplanos en un espacio de dimensión alta o infinita, que puede usarse para clasificación, regresión u otras tareas como la detección de valores atípicos. [3] Intuitivamente, una buena separación se logra mediante el hiperplano que tiene la mayor distancia al punto de datos de entrenamiento más cercano de cualquier clase (el llamado margen funcional), ya que, en general, cuanto mayor es el margen, menor es el error de generalización de el clasificador. [4]

Mientras que el problema original puede plantearse en un espacio de dimensión finita, a menudo sucede que los conjuntos a discriminar no son linealmente separables en ese espacio. Por esta razón, se propuso [5] que el espacio original de dimensión finita se mapee en un espacio de dimensiones mucho más altas, presumiblemente facilitando la separación en ese espacio. Para mantener la carga computacional razonable, las asignaciones utilizadas por los esquemas SVM están diseñadas para garantizar que los productos punto de pares de vectores de datos de entrada se puedan calcular fácilmente en términos de las variables en el espacio original, definiéndolos en términos de una función del núcleo k (x, y) < displaystyle k (x, y)> seleccionado para adaptarse al problema. [6] Los hiperplanos en el espacio de dimensiones superiores se definen como el conjunto de puntos cuyo producto escalar con un vector en ese espacio es constante, donde dicho conjunto de vectores es un conjunto ortogonal (y por lo tanto mínimo) de vectores que define un hiperplano. Los vectores que definen los hiperplanos se pueden elegir para que sean combinaciones lineales con parámetros α i < displaystyle alpha _> de imágenes de vectores de características x i < displaystyle x_> que ocurren en la base de datos. Con esta elección de un hiperplano, los puntos x < displaystyle x> en el espacio de características que están mapeados en el hiperplano están definidos por la relación ∑ i α i k (x i, x) = constante. < estilo de visualización estilo de texto suma _ alpha _k (x_, x) = < texto>.> Ten en cuenta que si k (x, y) < displaystyle k (x, y)> se vuelve pequeño a medida que y < displaystyle y> crece más lejos de x < displaystyle x>, cada término de la suma mide el grado de cercanía del punto de prueba x < displaystyle x> al punto de base de datos correspondiente xi < displaystyle x_>. De esta manera, la suma de los núcleos anteriores se puede utilizar para medir la proximidad relativa de cada punto de prueba a los puntos de datos que se originan en uno u otro de los conjuntos que se van a discriminar. Tenga en cuenta el hecho de que, como resultado, el conjunto de puntos x < displaystyle x> mapeados en cualquier hiperplano puede ser bastante complicado, lo que permite una discriminación mucho más compleja entre conjuntos que no son convexos en absoluto en el espacio original.

Las SVM se pueden utilizar para resolver varios problemas del mundo real:

  • Las SVM son útiles en la categorización de texto e hipertexto, ya que su aplicación puede reducir significativamente la necesidad de instancias de entrenamiento etiquetadas tanto en la configuración estándar inductiva como transductiva. [7] Algunos métodos para el análisis semántico superficial se basan en máquinas de vectores de soporte. [8] también se puede realizar utilizando SVM. Los resultados experimentales muestran que las SVM logran una precisión de búsqueda significativamente mayor que los esquemas tradicionales de refinamiento de consultas después de solo tres o cuatro rondas de retroalimentación de relevancia. Esto también es cierto para los sistemas de segmentación de imágenes, incluidos los que utilizan una versión modificada de SVM que utiliza el enfoque privilegiado sugerido por Vapnik. [9] [10]
  • Clasificación de datos satelitales como datos SAR utilizando SVM supervisado. [11]
  • Los caracteres escritos a mano se pueden reconocer mediante SVM. [12] [13]
  • El algoritmo SVM se ha aplicado ampliamente en las ciencias biológicas y otras. Se han utilizado para clasificar proteínas con hasta un 90% de los compuestos clasificados correctamente. Las pruebas de permutación basadas en pesos de SVM se han sugerido como un mecanismo para la interpretación de modelos de SVM. [14] [15] Los pesos de máquina de vectores de soporte también se han utilizado para interpretar modelos SVM en el pasado. [16] La interpretación post hoc de modelos de máquinas de vectores de soporte con el fin de identificar las características utilizadas por el modelo para hacer predicciones es un área de investigación relativamente nueva con especial importancia en las ciencias biológicas.

El algoritmo SVM original fue inventado por Vladimir N. Vapnik y Alexey Ya. Chervonenkis en 1963. En 1992, Bernhard Boser, Isabelle Guyon y Vladimir Vapnik sugirieron una forma de crear clasificadores no lineales aplicando el truco del kernel a hiperplanos de margen máximo. [5] El estándar actual [ según quien? ] encarnación (margen suave) fue propuesta por Corinna Cortes y Vapnik en 1993 y publicada en 1995. [1]

Recibimos un conjunto de datos de entrenamiento de n < displaystyle n> puntos de la forma

Cualquier hiperplano se puede escribir como el conjunto de puntos x < displaystyle mathbf > satisfactorio

Edición de margen duro

Si los datos de entrenamiento son linealmente separables, podemos seleccionar dos hiperplanos paralelos que separen las dos clases de datos, de modo que la distancia entre ellos sea lo más grande posible. La región delimitada por estos dos hiperplanos se llama "margen", y el hiperplano de margen máximo es el hiperplano que se encuentra a medio camino entre ellos. Con un conjunto de datos normalizado o estandarizado, estos hiperplanos pueden describirse mediante las ecuaciones

Geométricamente, la distancia entre estos dos hiperplanos es 2 ‖ w ‖ < displaystyle < tfrac <2> < | mathbf | >>>, [17] así que para maximizar la distancia entre los planos queremos minimizar ‖ w ‖ < displaystyle | mathbf |>. La distancia se calcula utilizando la ecuación de distancia de un punto a un plano. También tenemos que evitar que los puntos de datos caigan en el margen, agregamos la siguiente restricción: para cada i < displaystyle i> ya sea

Estas restricciones establecen que cada punto de datos debe estar en el lado correcto del margen.

Podemos juntar esto para solucionar el problema de optimización:

Una consecuencia importante de esta descripción geométrica es que el hiperplano de margen máximo está completamente determinado por esos x → i < displaystyle < vec >_> que se encuentran más cerca de él. Estos x yo < displaystyle mathbf _> se llaman vectores de apoyo.

Edición de margen suave

Para extender SVM a los casos en los que los datos no son separables linealmente, el pérdida de bisagra la función es útil

El objetivo de la optimización es minimizar

El algoritmo original de hiperplano de margen máximo propuesto por Vapnik en 1963 construyó un clasificador lineal. Sin embargo, en 1992, Bernhard Boser, Isabelle Guyon y Vladimir Vapnik sugirieron una forma de crear clasificadores no lineales aplicando el truco del kernel (propuesto originalmente por Aizerman et al. [18]) a hiperplanos de margen máximo. [5] El algoritmo resultante es formalmente similar, excepto que cada producto escalar es reemplazado por una función de núcleo no lineal. Esto permite que el algoritmo se ajuste al hiperplano de margen máximo en un espacio de características transformado. La transformación puede ser no lineal y el espacio transformado de alta dimensión, aunque el clasificador es un hiperplano en el espacio de características transformado, puede ser no lineal en el espacio de entrada original.

Es de destacar que trabajar en un espacio de características de mayor dimensión aumenta el error de generalización de las máquinas de vectores de soporte, aunque dadas suficientes muestras, el algoritmo aún funciona bien. [19]

Algunos núcleos comunes incluyen:

Calcular el clasificador SVM (margen suave) equivale a minimizar una expresión de la forma

Nos enfocamos en el clasificador de margen suave ya que, como se señaló anteriormente, la elección de un valor suficientemente pequeño para λ < displaystyle lambda> produce el clasificador de margen rígido para datos de entrada clasificables linealmente. El enfoque clásico, que implica reducir (2) a un problema de programación cuadrática, se detalla a continuación. Luego, se discutirán enfoques más recientes como el descenso de sub-gradiente y el descenso de coordenadas.

Primal Editar

Minimizar (2) se puede reescribir como un problema de optimización restringido con una función objetivo diferenciable de la siguiente manera.

Por lo tanto, podemos reescribir el problema de optimización de la siguiente manera

Esto se llama primitivo problema.

Edición dual

Al resolver el dual lagrangiano del problema anterior, se obtiene el problema simplificado

Esto se llama doble problema. Dado que el problema de maximización dual es una función cuadrática de c i < displaystyle c_> sujeto a restricciones lineales, se puede resolver eficazmente mediante algoritmos de programación cuadrática.

Truco de kernel Editar

Métodos modernos Editar

Los algoritmos recientes para encontrar el clasificador SVM incluyen descenso de sub-gradiente y descenso de coordenadas. Ambas técnicas han demostrado ofrecer ventajas significativas sobre el enfoque tradicional cuando se trata de conjuntos de datos grandes y dispersos; los métodos de sub-gradiente son especialmente eficientes cuando hay muchos ejemplos de entrenamiento y el descenso de coordenadas cuando la dimensión del espacio de características es alta.

Descenso de sub-gradiente Editar

Los algoritmos de descenso de sub-gradiente para SVM funcionan directamente con la expresión

Tenga en cuenta que f < displaystyle f> es una función convexa de w < displaystyle mathbf > y b < displaystyle b>. Como tal, los métodos tradicionales de descenso de gradiente (o SGD) se pueden adaptar, donde en lugar de dar un paso en la dirección del gradiente de la función, se da un paso en la dirección de un vector seleccionado del sub-gradiente de la función. Este enfoque tiene la ventaja de que, para ciertas implementaciones, el número de iteraciones no se escala con n < displaystyle n>, el número de puntos de datos. [20]

Descenso coordinado Editar

Coordinar algoritmos de descenso para el trabajo de SVM desde el problema dual

La máquina vectorial de soporte de margen blando descrita anteriormente es un ejemplo de un algoritmo de minimización de riesgo empírico (ERM) para el pérdida de bisagra. Visto de esta manera, las máquinas de vectores de soporte pertenecen a una clase natural de algoritmos para la inferencia estadística, y muchas de sus características únicas se deben al comportamiento de la pérdida de bisagra. Esta perspectiva puede proporcionar más información sobre cómo y por qué funcionan las SVM, y nos permite analizar mejor sus propiedades estadísticas.

Minimización de riesgos Editar

Regularización y estabilidad Editar

Este enfoque se llama Regularización de Tikhonov.

SVM y la pérdida de bisagra Editar

A la luz de la discusión anterior, vemos que la técnica SVM es equivalente a la minimización del riesgo empírico con la regularización de Tikhonov, donde en este caso la función de pérdida es la pérdida de bisagra.

Desde esta perspectiva, SVM está estrechamente relacionado con otros algoritmos de clasificación fundamentales como los mínimos cuadrados regularizados y la regresión logística. The difference between the three lies in the choice of loss function: regularized least-squares amounts to empirical risk minimization with the square-loss, ℓ s q ( y , z ) = ( y − z ) 2 (y,z)=(y-z)^<2>> logistic regression employs the log-loss,

Target functions Edit

The difference between the hinge loss and these other loss functions is best stated in terms of target functions - the function that minimizes expected risk for a given pair of random variables X , y .

The optimal classifier is therefore:

SVMs belong to a family of generalized linear classifiers and can be interpreted as an extension of the perceptron. They can also be considered a special case of Tikhonov regularization. A special property is that they simultaneously minimize the empirical classification error and maximize the geometric margin hence they are also known as maximum margin classifiers.

A comparison of the SVM to other classifiers has been made by Meyer, Leisch and Hornik. [23]

Parameter selection Edit

Issues Edit

Potential drawbacks of the SVM include the following aspects:

  • Requires full labeling of input data
  • Uncalibrated class membership probabilities—SVM stems from Vapnik's theory which avoids estimating probabilities on finite data
  • The SVM is only directly applicable for two-class tasks. Therefore, algorithms that reduce the multi-class task to several binary problems have to be applied see the multi-class SVM section.
  • Parameters of a solved model are difficult to interpret.

Support-vector clustering (SVC) Edit

SVC is a similar method that also builds on kernel functions but is appropriate for unsupervised learning. It is considered a fundamental method in data science. [ cita necesaria ]

Multiclass SVM Edit

Multiclass SVM aims to assign labels to instances by using support-vector machines, where the labels are drawn from a finite set of several elements.

The dominant approach for doing so is to reduce the single multiclass problem into multiple binary classification problems. [25] Common methods for such reduction include: [25] [26]

  • Building binary classifiers that distinguish between one of the labels and the rest (one-versus-all) or between every pair of classes (one-versus-one). Classification of new instances for the one-versus-all case is done by a winner-takes-all strategy, in which the classifier with the highest-output function assigns the class (it is important that the output functions be calibrated to produce comparable scores). For the one-versus-one approach, classification is done by a max-wins voting strategy, in which every classifier assigns the instance to one of the two classes, then the vote for the assigned class is increased by one vote, and finally the class with the most votes determines the instance classification. SVM (DAGSVM) [27][28]

Crammer and Singer proposed a multiclass SVM method which casts the multiclass classification problem into a single optimization problem, rather than decomposing it into multiple binary classification problems. [29] See also Lee, Lin and Wahba [30] [31] and Van den Burg and Groenen. [32]

Transductive support-vector machines Edit

Transductive support-vector machines extend SVMs in that they could also treat partially labeled data in semi-supervised learning by following the principles of transduction. Here, in addition to the training set D >> , the learner is also given a set

of test examples to be classified. Formally, a transductive support-vector machine is defined by the following primal optimization problem: [33]

Transductive support-vector machines were introduced by Vladimir N. Vapnik in 1998.

Structured SVM Edit

SVMs have been generalized to structured SVMs, where the label space is structured and of possibly infinite size.

Regression Edit

A version of SVM for regression was proposed in 1996 by Vladimir N. Vapnik, Harris Drucker, Christopher J. C. Burges, Linda Kaufman and Alexander J. Smola. [34] This method is called support-vector regression (SVR). The model produced by support-vector classification (as described above) depends only on a subset of the training data, because the cost function for building the model does not care about training points that lie beyond the margin. Analogously, the model produced by SVR depends only on a subset of the training data, because the cost function for building the model ignores any training data close to the model prediction. Another SVM version known as least-squares support-vector machine (LS-SVM) has been proposed by Suykens and Vandewalle. [35]

Training the original SVR means solving [36]

Bayesian SVM Edit

In 2011 it was shown by Polson and Scott that the SVM admits a Bayesian interpretation through the technique of data augmentation. [37] In this approach the SVM is viewed as a graphical model (where the parameters are connected via probability distributions). This extended view allows the application of Bayesian techniques to SVMs, such as flexible feature modeling, automatic hyperparameter tuning, and predictive uncertainty quantification. Recently, a scalable version of the Bayesian SVM was developed by Florian Wenzel, enabling the application of Bayesian SVMs to big data. [38] Florian Wenzel developed two different versions, a variational inference (VI) scheme for the Bayesian kernel support vector machine (SVM) and a stochastic version (SVI) for the linear Bayesian SVM. [39]

The parameters of the maximum-margin hyperplane are derived by solving the optimization. There exist several specialized algorithms for quickly solving the quadratic programming (QP) problem that arises from SVMs, mostly relying on heuristics for breaking the problem down into smaller, more manageable chunks.

Another approach is to use an interior-point method that uses Newton-like iterations to find a solution of the Karush–Kuhn–Tucker conditions of the primal and dual problems. [40] Instead of solving a sequence of broken-down problems, this approach directly solves the problem altogether. To avoid solving a linear system involving the large kernel matrix, a low-rank approximation to the matrix is often used in the kernel trick.

Another common method is Platt's sequential minimal optimization (SMO) algorithm, which breaks the problem down into 2-dimensional sub-problems that are solved analytically, eliminating the need for a numerical optimization algorithm and matrix storage. This algorithm is conceptually simple, easy to implement, generally faster, and has better scaling properties for difficult SVM problems. [41]

The special case of linear support-vector machines can be solved more efficiently by the same kind of algorithms used to optimize its close cousin, logistic regression this class of algorithms includes sub-gradient descent (e.g., PEGASOS [42] ) and coordinate descent (e.g., LIBLINEAR [43] ). LIBLINEAR has some attractive training-time properties. Each convergence iteration takes time linear in the time taken to read the train data, and the iterations also have a Q-linear convergence property, making the algorithm extremely fast.

The general kernel SVMs can also be solved more efficiently using sub-gradient descent (e.g. P-packSVM [44] ), especially when parallelization is allowed.

Kernel SVMs are available in many machine-learning toolkits, including LIBSVM, MATLAB, SAS, SVMlight, kernlab, scikit-learn, Shogun, Weka, Shark, JKernelMachines, OpenCV and others.

Preprocessing of data (standardization) is highly recommended to enhance accuracy of classification. [45] There are a few methods of standardization, such as min-max, normalization by decimal scaling, Z-score. [46] Subtraction of mean and division by variance of each feature is usually used for SVM. [47]


How the asteroid-mining bubble burst

An illustration showing US hundred dollar bills, gold, and space Chrissie Abbot

In the best of worlds, Chris Lewicki and Peter Diamandis might have changed the course of human civilization. Their startup, Planetary Resources, was launched in 2012 with the modest dream of mining asteroids for minerals, metals, water, and other valuables. The founders’ résumés and connections gave the zany idea institutional legitimacy: Lewicki had worked on major NASA missions such as the Mars Spirit and Opportunity rovers, and Diamandis was a well-known space--tourism booster. Together with a third partner, Eric Anderson, Planetary Resources had raised $50 million by 2016, of which $21 million came from big-name investors including Google’s Eric Schmidt and filmmaker James Cameron.

Before long, a competitor called Deep Space Industries (DSI) appeared on the scene. It raised much less cash: just $3.5 million, supplemented by some government contracts. But it had its own high-profile backers, pie-in-the-sky goals, and a particularly evangelical board member named Rick Tumlinson, who made the rounds at conferences pitching the company’s vision. “Crazy ideas: that’s what moves culture forward,” he said at a 2017 event in New York. “Nothing says this is impossible except our own belief systems.”

This story was part of our July 2019 issue

It was sci-fi come to life—and everybody loved it.

“Space mining could become a real thing!” headlines squealed. Amazon CEO Jeff Bezos began speaking of a future in which all heavy industry took place not on Earth, but above it. NASA funded asteroid-mining research the Colorado School of Mines offered an asteroid-mining degree program Senator Ted Cruz predicted that Earth’s first trillionaire would be made in space.

“There was a lot of excitement and tangible feeling around all of these things that we’ve been dreaming about,” says Chad Anderson (no relation to Eric), the CEO of Space Angels, a venture capital fund that invests in space-related companies.

Also crucial to the money-making opportunities was the burgeoning commercial space sector’s lobbying, which shepherded the SPACE Act through Congress in 2015. This not--uncontroversial bill included a “finders, keepers” rule whereby private American companies would have all rights to the bounty they extracted from celestial bodies, no questions asked. (Before that, property rights and mining concessions in space, which belongs to no country, were not a given.)

That, in turn, would make it possible to work toward a goal that Eric Anderson predicted could be reached by the mid-2020s: extracting ice from asteroids near Earth and selling it in space as a propellant for other missions. Water can be broken into hydrogen and oxygen to make combustible fuel, or—as in DSI’s technology—just heated up and expelled as a jet of steam.

“Both companies believed one of the early products would be propellant itself—that is, water,” says Grant Bonin, the former chief technology officer of Deep Space Industries. “What DSI had been doing is developing propulsion systems to run on water. And everyone who buys one is creating an ecosystem of users now that can be fueled by resources of the future.”

By the spring of 2017, Planetary Resources was operating a lab in a warehouse in Redmond, Washington, decorated with NASA paraphernalia and vintage pinball machines. Engineers tinkered with small cube satellites behind thick glass walls, crafting plans to launch prospecting machines. Luxembourg had given the company a multimillion-dollar grant to open a European office. Japan, Scotland, and the United Arab Emirates announced their own asteroid-mining laws or investments.

The stars had burned through their red tape. The heavens were ready for Silicon Valley.

Then things started going south. Last summer, Planetary failed to raise the money it was counting on. Key staffers, including Peter Marquez, the firm’s policy guy in Washington, had already jumped ship. “We were all frustrated about the revenue prospects, and the business model wasn’t working out the way we’d hoped,” recalls Marquez, who now works for a Washington, DC, advisory shop called Andart Global.

“There was more of a focus on the religion of space than the business of space,” Marquez adds. “There’s the religious [segment] of space people who believe that almost like manifest destiny, we’re supposed to be exploring the solar system—and if we believe hard enough, it’ll happen. But the pragmatists were saying there’s no customer base for asteroid mining in the next 12 to 15 years.”

Amid rumors that it was auctioning off its gear, Planetary Resources was acquired last year by ConsenSys, a blockchain software company based in Brooklyn that develops decentralized platforms for signing documents, selling electricity, and managing real estate transactions, among other things. Anderson Tan, an early investor in Planetary Resources, was baffled by the acquisition—and he’s the kind of blockchain guy who promotes other blockchain guys’ blockchain ventures on LinkedIn. “I honestly have no idea … I was shocked. I think they wanted to acquire the equipment and assets,” he says. “For what? I’m not so sure.”

DSI, in turn, was acquired by an aeronautics company named Bradford Space. These acquisitions aren’t taking the companies anywhere. “They’re gone they’re done. They don’t exist,” says Chad Anderson.

The lack-of-vision thing

What went wrong? Predictably, ex--employees and investors tell slightly different stories.

Bonin blames DSI’s demise on investors’ unwillingness to take long-term risks. “We had a plan that would take off after a certain point, and we didn’t get to that point,” he explains. “And we were only $10 million away from hitting that point, but our planning was decades long, and a VC fund’s life cycle is one decade long. They’re incompatible.” Meagan Crawford, who worked with Bonin and is now starting her own venture capital fund for commercial space startups, concurs: “A traditional VC time line is 10 years, when they have to give money back to investors, so in seven years they want to exit. A 15-year business plan isn’t going to fit in.”

On the money side, the story is a little less forgiving. “They did not deliver on their promises to investors,” says Chad Anderson, whose Space Angels invested in PR. “Both companies were really good at storytelling and marketing and facilitating this momentum around a vision that their technology never really substantiated.” He adds, “I think that these weren’t the right teams to do it.”

There were also bigger structural obstacles—such as, in former employees’ telling, the lack of any infrastructure for an asteroid--mining industry. That put investors off, too: “If you mine an asteroid, mostly likely you’ll [have to] send it to the moon to process it. It wouldn’t be processed on Earth, because the cost would be tremendous,” says Anderson Tan. “So then it’s like a chicken-and-egg problem: do we mine first and then develop a moon base, or invest in building up the moon and then go to asteroid mining?”

On the money side, the story is a little less forgiving.

Finally, asteroid miners had to compete for funding with a proliferating number of other space-related ventures. Between 2009—“the dawn of the entrepreneurial space age”—and today, “we’ve gone from a world with maybe a dozen privately funded space companies serving one client, the government, to one with more than 400 companies worth millions of bucks,” Chad Anderson says. So if commercial space startups seemed like an out-there proposition in 2012, by 2018 VCs who wanted space in their portfolios could have their pick of companies with better short-term prospects: telecom startups selling internet access, for instance, or firms analyzing the much-more-accessible moon.

“The bottom line is that space is hard,” says Henry Hertzfeld, the director of the Space Policy Institute at George Washington University. (Hertzfeld advised Planetary Resources on legal matters the space world, on Earth, is still very small.) “It’s risky, it’s expensive lots of high up-front costs. And you need money. You can get just so much money for so long.”

To succeed, says Hertzfeld, the companies would have needed to make a profit from other uses of their technology—such as DSI’s water propulsion system, which could be used in satellites, and PR’s hyperspectral sensors, which it built to analyze the composition of asteroids but can also be put to work surveying the Earth. “But they didn’t generate the revenues,” he says, “and there’s a limited amount of time for a company to exist without a profit.”

According to Space Angels, $1.7 billion in equity capital poured into space companies in the first quarter of 2019, nearly twice as much as in the last quarter of last year. Of that, 79% went toward satellite businesses and 14% to logistical operations, like rocket launches. The fund’s own interests mirror these trends.

“The commercial space industry is maturing to the point where it’s more serious now,” says Peter Ward, the author of The Consequential Frontier, a forthcoming book about the privatization of space. “Some of the people I talked to now see asteroid mining as a bit of a joke.”

Building a new frontier

In spite of these failures, former asteroid miners sound remarkably chipper about their prospects—and humanity’s interstellar future. Asteroid mining was a gateway drug for high hopes and big dreams.

Tamara Alvarez, a doctoral student at the New School in New York who has attended space conferences around the world, says that the rhetoric around space mining maps perfectly onto older frontier tropes. “The mining thing resonated with a lot of people because of the gold rush narrative. There’s something unconscious there that they tapped into,” she says.

Similarly, though neither asteroids nor 19th-century California actually created many overnight billionaires, they did create frameworks for how an economy based on a particular resource would function. “There wasn’t all the gold in California, but it brought an infrastructure that people made money off of,” says Alvarez. “Services, fishing—all this grew out of ambitions for gold. With asteroids, it’s the same thing: when you get the idea that there’s all the gold or whatever you need waiting for you, the infrastructure gets built too.”

The asteroid miners seem to have thought of it that way. “I think when DSI and PR got started, the headlines all said asteroid-mining [companies] were like [traditional] mining companies,” says Grant Bonin. “But internally we’d joke: We’re not miners yet. We’re the pickax and shovel or Levi’s jeans of space. We’re the creators of tools that were brought into existence that would support the vision, but also help a lot of other people to do a lot more.”

Equally significant is that the prospect of asteroid mining pushed governments to think about property rights in space. “The horizon for asteroid mining is still a couple of decades off, but I do think we’re going to do Mars missions, and we’ll need resources in space,” says Marquez. “And thanks to asteroid mining, the policy framework’s been established.”

For now, DSI and PR face uncertain futures. None of the space workers interviewed for this article had a clue what a blockchain company like ConsenSys was doing with asteroid prospecting tools. In November the company told journalist Jeff Foust of SpaceNews that PR’s “deep space capabilities” would “help humanity craft new societal rule systems through automated trust and guaranteed execution,” whatever that means. A spokeswoman has since said the company “is taking a new form and is less focused on asteroid mining.”

But Bonin says many of his DSI colleagues quickly found work elsewhere. And engineers laid off from PR have banded together to start a company called First Mode, which builds hardware that can operate in harsh environments both on Earth and above it the company, according to its founders, is already profitable.

So the asteroid-mining industry may have collapsed for now, but its players are still hard at work. “When we reflect back [to] 2012 when these two companies came into existence, and think about how they were trying to crack that nut for seven years, one of the really cool things from my standpoint is these have gone into different companies,” says Bonin. “Part of me is sad when these things break up, but we’ve seeded the industry with true believers who care about a human future in space to benefit of all humankind.”

Atossa Araxa Abrahamian is a journalist based in New York.

This story originally confused the University of Colorado and the Colorado School of Mines. Apologies to all Buffaloes and Orediggers.


Vending machine

Nuestros editores revisarán lo que ha enviado y determinarán si deben revisar el artículo.

Vending machine, coin-actuated machine through which various goods may be retailed. Vending machines should not be confused with coin-operated amusement games or music machines. The first known commercial use of vending machines came early in the 18th century in England, where coin-actuated “honour boxes” were used to sell snuff and tobacco. These devices were also in use in the British-American colonies later in the century.

The first practical, commercial use of vending machines took place in the United States in 1888, when machines were used to expand the sales of chewing gum into places where gum sales otherwise could not be made, specifically the platforms of the New York City elevated railway. The American industry was limited mainly to penny-candy vending until 1926, when the modern era of automatic selling opened with the appearance of cigarette vending machines. The first soft-drink machine followed in 1937.

As the United States began its defense buildup prior to its entry into World War II, plant managements estimated that people could not work efficiently for 10, 12, or more hours without a refreshment break, and vending machines proved the most practical way of providing refreshments. During the 1940s and ’50s the vending machine business was concentrated in plants and factories, and by the end of that period, machines were being used to sell a wide variety of freshly prepared as well as prepackaged foods to replace or supplement traditional in-plant food service facilities. Refrigeration was added to vending machines to sell bottled soft drinks.

The ability of vending machines to sell products at competitive prices around the clock without regard to holidays is now widely recognized. The business has grown beyond plants and factories, and machines are commonly used in schools, colleges and universities, recreation centres, health care facilities, offices, and the like.

Typically, vending service is provided by companies (operators) who own and place machines on premises owned by others. These companies provide complete maintenance and service, as well as products, usually without any cost to the owners of the premises other than perhaps a servicing charge.

Vending machines have been used in Great Britain, continental Europe, and Scandinavia since the 1880s, when they were employed to sell confectionery and tobacco products. In recent years, the vending machine business in those countries has closely paralleled the expansion of vending in the United States. Vending in Japan began in earnest in the 1960s and developed rapidly into a major factor in that country’s distribution system.

Este artículo fue revisado y actualizado más recientemente por Amy Tikkanen, Gerente de Correcciones.


Skinner’s Teaching Machine

B.F.Skinner was an American psychologist, behaviorist, and author. He propagated his own theory of learning, which was primarily based on his beliefs that humans do not function on free will and rather changes in human behavior are a response to external events that occur in the environment. A response produces a consequence such as defining a word, hitting a ball, or solving a math problem. When a particular Stimulus-Response (S-R) pattern is reinforced (rewarded), the individual is conditioned to respond.

Based on these very ideas, Skinner in 1954, came up with something called a teaching machine. The whole idea behind which was to teach classroom subject such as maths, spelling etc. using a mechanical device that would also surpass the usual classroom experience.

He believed the classroom had disadvantages because the rate of learning for different students was variable and reinforcement was also delayed due to the lack of individual attention. Since personal tutors for every student was usually unavailable, Skinner developed a theory of programmed learning that was to be implemented by teaching machines.

The teaching machine was composed of mainly a program, which was a system of combined teaching and test items that carried the student gradually through the material to be learned. The “machine” was composed of a fill-in-the-blank method on either a workbook or on a computer. If the student was correct, he/she got reinforcement and moved on to the next question. If the answer was incorrect, the student studied the correct answer to increasing the chances of getting reinforced next time.

Thus, we see that the whole idea was not just to replace teachers with machines in order to gain efficiency, but was heavily based on Skinner’s learning theory of the response/reward mechanism. Skinner also noted that the learning process should be divided into a large number of very small steps and reinforcement must be dependent upon the completion of each step. He believed this was the best possible arrangement for learning because it took into account the rate of learning for each individual student.

Skinner proposed that machines based on his theory of operant conditioning could not only be used to teach school subjects but also to promote the development of behaviors that Skinner called ‘Self-Management’. The skinner learning machine and his theory of stimuli-response behavior theory have given birth to the modern concepts of ‘Adaptive Learning Systems’.

One of the biggest challenges in the field of education is to provide individualized and tailor-made programs for each individual on a massive scale. And lately, it's being realized that this is not possible with the traditional approaches. The field that is emerging as an answer to this problem is that of adaptive learning systems. Adaptive learning or also known as adaptive teaching uses algorithms to give constant feedback, make observations and deliver customised resources which address the needs of individual learners.

So we see that the whole idea of creating a system of teaching based on individual needs and behavioral psychology principles of conditioning which came into the limelight with Skinner’s teaching machine is now taking new forms with adaptive teaching and e-learning.


Ore extraction rate

While the drill is active, it extracts ore depending on the type of celestial body, the ore concentration in the area, the core temperature and the presence and level of an engineer on-board. The ore extraction rate is B·c·T·m where:

  • "B" is the base rate of 1.5 ore/s on a moon or planet surface and 5.0 ore/s on an asteroid.
  • "c" is the local ore concentration between 0 and 100%
  • "T" is the thermal efficiency displayed in the drill menu (100% at 500K, less at higher or lower temperatures).
  • "m" is the multiplier supplied by the level of the highest level engineer on-board. These are as follows:

The drill displays B·c as "Ore rate" and T·m as "X% load". The effective ore generation rate can be calculated by multiplying those two values.

Nota: charge used = T·m·15 = "X% load"·15 ⚡/s. Hence it varies greatly, scaling up gradually with thermal efficiency (as the drill core warms up), then from 0.75 ⚡/s with no engineer to 18.75 ⚡/s with a 5 star engineer (while at 100% thermal efficiency, on a planetary body). Asteroid harvesting mode consumes a flat 1.5⚡/s under all circumstances (while there is space to store ore).


La masacre de la minería del carbón que América olvidó

El tiroteo en el centro de Matewan el 19 de mayo de 1920, tuvo todos los elementos de un enfrentamiento al mediodía: por un lado, los héroes, un sheriff y alcalde pro-sindicato, por el otro, los secuaces cobardes de la Agencia de Detectives Baldwin-Felts. . En 15 minutos, diez personas murieron y siete detectives, dos mineros y el alcalde. Tres meses después, el conflicto en la ciudad carbonífera de Virginia Occidental se había intensificado hasta el punto en que se declaró la ley marcial y las tropas federales tuvieron que intervenir. El enfrentamiento puede parecer casi cinematográfico, pero la realidad de los enfrentamientos armados entre los mineros del carbón y los # 8217 a lo largo del siglo XX fue mucho más oscura y complicada.

Entonces, como ahora, Virginia Occidental era un país carbonífero. The coal industry was essentially the state’s sole source of work, and massive corporations built homes, general stores, schools, churches and recreational facilities in the remote towns near the mines. For miners, the system resembled something like feudalism. Sanitary and living conditions in the company houses were abysmal, wages were low, and state politicians supported wealthy coal company owners rather than miners. The problems persisted for decades and only began to improve once Franklin Delano Roosevelt passed the National Industrial Recovery Act in 1933.

As labor historian Hoyt N. Wheeler writes, “Firing men for union activities, beating and arresting union organizers, increasing wages to stall the union’s organizational drive, and a systematic campaign of terror produced an atmosphere in which violence was inevitable.” The mine guards of Baldwin-Felts Detective Agency repeatedly shut down miners’ attempts at unionization with everything from drive-by assaults of striking miners to forcing men, women and children out of their homes.

The combination of perilous working conditions and miner-guard tensions led to a massive strike in 1912 in southern West Virginia (Matewan sits on the state’s southern border with Kentucky). After five months, things came to a head when 6,000 union miners declared their intention to kill company guards and destroy company equipment. When the state militia swooped in several days later, they seized 1,872 high-powered rifles, 556 pistols, 225,000 rounds of ammunition, and large numbers of daggers, bayonets and brass knuckles from both groups.

Although World War I briefly distracted union organizers and coal companies from their feud, the fighting soon picked back up again. As wealth consolidated after the war, says historian Rebecca Bailey, the author of Matewan Before the Massacre, unions found themselves in the crosshairs.

“Following World War I, there was an increasing concentration into fewer hands of industrial corporate power,” says Bailey. “Unions were anathema to them simply because human labor was one of the few cost items that could be manipulated and lowered.”

As the rich mine owners got richer, union-organized strikes became a way for miners to protect their salaries. Leaders like John L. Lewis, the head of the United Mine Workers of America, insisted that workers’ strength came through collective action. In one successful protest, 400,000 UMWA went on strike nationwide in 1919, securing higher wages and better working conditions. But while wages generally increased for miners throughout the period, they tended to rise more slowly in non-union areas, and the union itself struggled throughout the 1920s. For capitalists, it was a battle for profit—and against what they saw as Bolshevik communism. For workers, it was a fight for their rights as humans.

The two sides came to a head in the conflict in Matewan. In response to a massive UMWA organizing effort in the area, local mining companies forced miners to sign yellow-dog contracts that bound them never to join a union. On May 19, Baldwin-Felts agents arrived in Matewan to evict miners and their families from Stone Mountain Coal Company housing. It was a normal day on the job for the agents the detective agency, founded in the 1890s, provided law-enforcement contractors for railroad yards and other industrial corporations. It also did the brunt of the work suppressing unionization in coal mining towns—and today, the Baldwin-Felts men were there to kick out men who had joined the UMWA.

That same day, the town of Matewan was teeming with a number of unemployed miners who came to receive a few dollars, sacks of flour and other foodstuffs from the union to prevent their families from starving. Whether the men also came in anticipation of taking action against the Baldwin-Felts agents is a matter of debate. Either way, the visiting miners had the rare support of pro-union Matewan police chief, Sid Hatfield, and the town’s mayor, Cabell Testerman.

According to one version of the story, the Baldwin-Felts agents tried to arrest Hatfield when he attempted to prevent the evictions from taking place. When the mayor defended Hatfield from the arrest, he was shot, and more bullets began to fly. In another version of the story, Hatfield initiated the violence, either by giving a signal to armed miners stationed around the town or by firing the first shot himself. For Bailey, the latter seems the more likely scenario because the agents would have known they were outnumbered—and if union miners and Hatfield did initiate the violence, the story of Matewan is darker than a simple underdog tale.

“I call it elevation through denigration,” she says, noting that the union benefited from the moral high ground as victims regardless of whether they instigated the violence.

But for Terry Steele, a former coal miner in West Virginia and member of the local UMWA, revolting was the only way to respond to abuse. He says local wisdom had it that, “If you got a mule killed in the mines and you were in charge, you could lose your job over it. If you got a man killed, he could be replaced.”

What made the situation worse, according to Wilma Steele, a founding member of the West Virginia Mine Wars Museum, was the contempt outsiders had for miners in the region. Locals had a reputation for being violent and unreasonable. “It set the stereotype that they were used to feuding and they were people who don’t care about anything but a gun and a bottle of liquor,” says Steele. “That was the propaganda. But these people were being abused.”

Although police chief Hatfield was celebrated as a hero by the mining community after the shootout, and even starred in a movie for the UMWA, he was a villain to T. L. Felts, a Baldwin-Felts partner who lost two brothers to the massacre. When Hatfield was acquitted in a local trial by jury, Felts brought a conspiracy charge against him, forcing the police chief to appear in court once more. On the stairway of the courthouse in August 1921, Hatfield and his deputy, Ed Chambers, were gunned down by Baldwin-Felts agents.

In response to the assassination, an army of miners 10,000 strong began a full-on assault against the coal company and the mine guards. While miners shot at their opponents, private planes organized by the coal companies’ defensive militia dropped bleach and shrapnel bombs on the union’s headquarters. The battle only stopped when federal troops arrived on the order of President Warren Harding.

The entire event was covered rabidly by the national press, says Chatham University historian Louis Martin, who is also a founding member of the West Virginia Mine Wars Museum. “National papers sold a lot of copies by portraying the area as a lawless land where the mountaineers were inherently violent,” Martin says. “This was a romanticized version of events, creating an Old West type image of Appalachia. This obviously didn’t lead to widespread public support for the miners in their struggles.”

When the conflict concluded, hundreds of miners were indicted for murder, and more than a dozen were charged with treason. Although all but one were acquitted of treason charges, others were found guilty of murder and spent years in prison. Even worse, the UMWA experienced a significant decline in membership throughout the 1920s, and in 1924 the UMWA district that included Matewan lost its local autonomy because of the incident. As the years progressed, the union distanced itself even further from the Matewan massacre.

For Bailey, it’s easy to see this story in terms of good and evil—and that ignores the nuance of the story.

“When we essentialize a narrative into heroes and villains, we run the risk of invalidating human pain and agency,” Bailey says. “The Baldwin-Felts agents were professional men. They believed they were fighting the onslaught of Communism. Their opponents were fighting for a fair and living wage, an appropriate share of the benefits of their labor.”

This fight between collectivism and individualism, the rights of the worker and the rights of the owner, have been part of America since the country’s founding, Bailey says. And even today, that battle rages on—perhaps not with bullets, but with eroding regulations and workers’ rights. Though at first the federal government acted as a third-party broker, protecting union rights with bargaining regulations initiated by Franklin Roosevelt, workers’ rights were eventually curtailed by more powerful actors.

“[Unions] became so dependent on federal labor laws and the National Labor Relations Board that they lived and died by what the federal government would allow them to do,” Martin says. “That was the beginning of a decline in union power in this country”—one that’s still ongoing. Martin cites the failure of the Employee Free Choice Act to pass in Congress (which was aimed at removing barriers to unionization), the closure of the last union coal mine in Kentucky in 2015, the loss of retirement benefits for former miners, and the surge in black lung disease as evidence of unions’ fading power.

“The things they were fighting for [in the Matewan massacre] are the things we’re fighting for today,” Terry Steele says. He’s one of the miners who will be losing his health insurance and retirement plan in the wake of his employer’s bankruptcy. “The things our forefathers stood for are now being taken away from us. It seems like we’re starting to turn the clock back.”


Dead Space

A traitorous miner has a lot of advantages. You have a space suit for free right away and a robust pickaxe. Certain minerals you'll find have more "specialized" uses -- uranium structures will irradiate people, plasma can start fires, gibtonite goes boom. You can also buy dangerous "mining" tools and possibly even revive those monsters you've been fighting. As long as you have some mineral wealth or an ore box with you, no one will suspect your presence around the station, even in highly restricted areas like robotics or toxins, and if you are smart enough, you could get a big stompy mech to drill people to death! In addition, Lavaland is isolated, dangerous, and as expansive as you're willing to dig out. Plenty of room for somebody to get lost in. Forever!

Tips for Traitoring

  • If you're a miner and you have to kill another miner there's a really easy way to block communications one way so he can't call for help.
    • Grab a multitool, go to the mining communications room.
    • Use the multi tool on the relay and make sure the relay isn't sending, meaning your headset won't go to people on the station.
    • Kill your target with their shouts for help unheard.

    Tips for Culting

    If you're a miner, Mining Station is the perfect hive for a cult. The back room can easily be broken down by Constructs, runes can be placed, and a single artificer can make it very difficult for Security to try and raid. Remember to cut cameras, so a Non-Asimov AI doesn't bolt and electrocute every door. Remember to use Teleport other to get Cultists off station and into safe custody. Warning: Teleporting from Lavaland will make the destination rune glow brightly and open a rift in reality that may not only reveal the rune, but the location of your base as well.


    Ver el vídeo: Rammstein - Keine Lust Official Video (Enero 2022).