نحوه برخورد با داده‌های گم‌شده یکی از مسائلی است که اغلب محققان با آن روبرو هستند. جانهی چندگانه با استفاده از معادله‌های زنجیره‌ای یکی از رایج‌ترین و انعطاف‌پذیرترین روش‌ها برای جانهی است.  از دیدگاه تئوری، هر مدل جانهی می‌تواند  برای پیش‌بینی مقادیر داده‌های گم‌شده استفاده شود اما اگر مدل‌های پیشگویی نادرست باشند می‌تواند منجر به برآوردهای اریب و استنباط‌های نامعتبر شود. یکی از جدیدترین راه‌حل‌ها برای برخورد با داده‌های گم‌شده، روش‌ ترکیبی یادگیری ماشین و ابریادگیرنده است. در این مقاله،  چند شبیه‌سازی‌ برای نشان دادن رویکرد بهتر این روش از نظر اریبی کمتر و همگرایی بهتر برآورد پارامتر نهایی نسبت به  روش‌های جانهی رایج ارائه شده است.  همچنین، به پیاده‌سازی برخی روش‌های یادگیری ماشین و یک الگوریتم ترکیبی از ابریادگیرنده، روی داده‌های کارگاه‌های صنعتی  پرداخته شده است که در آن جانهی متغیرهای مختلف در داده‌ها به‌طور همزمان صورت می‌گیرد. همچنین به ارزیابی روش‌های مختلف  و معرفی روش دارای عملکرد برتر، پرداخته شده است.

در این مقاله، طرح‌ بازرسی چندبار نمونه‌گیری پذیرش انباشته‌ها تحت سانسور نوع اول وقتی طول عمر محصولات دارای توزیع q-نمایی تی سالیس باشد مورد بررسی قرار می‌گیرد. طرح بازرسی چندبار نمونه‌گیری، معرفی شده و مولفه‌های آن به همراه متوسط تعداد نمونه بهینه و مقدار مشخصه عملکرد طرح، تحت مقادیر مشخص پارامتر توزیع و مخاطره‌های مصرف‌کننده و تولید‌‌کننده با استفاده از یک مساله برنامه‌ریزی غیرخطی محاسبه می‌شوند. مقایسه نتایج طرح معرفی شده با طرح بازرسی یک بار نمونه‌گیری بهینه، نشان‌دهنده کارایی طرح چندبار نمونه‌گیری نسبت به طرح یک‌بار نمونه‌گیری است. همچنین طرح چندبار نمونه‌گیری با محدودیت ترکیب خطی از مخاطره تولیدکننده و مصرف‌کننده معرفی شده و با طرح موجود مقایسه می‌شود. نتایج طرح معرفی شده در قالب جداول و نمودارها نشان می‌دهد که این طرح دارای ASN کمتر و در نتیجه کارایی بیشتری در مقایسه با طرح موجود است. از یک مثال کاربردی در صنعت نساجی برای کاربست نتایج طرح‌های معرفی شده استفاده می‌شود.