Stochastic optimisation model for open pit mine planning: application and risk analysis at copper deposit
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Life of mine (LOM) production scheduling is a critically important part of open pit mining ventures and deals with the efficient management of cash flows in the order of hundreds of millions of dollars. A LOM production schedule determines the quantity and quality of ore and waste materials to be mined over time, so as to maximise the net present value (NPV) of the mine. Life of mine production scheduling is an intricate and complex problem to address and it is adversely affected by geological risk, which can, however, be accounted for and managed while constructing production schedules. In the present study, the LOM scheduling process of a disseminated copper deposit demonstrates the intricacies of a new scheduling approach based on the technique of simulated annealing and stochastically simulated representations of the copper orebody. The study documents the benefits of incorporating geological uncertainty in the mine scheduling process through the proposed approach. The stochastic approach is found to generate a LOM schedule with a NPV 26% higher than that of the conventional schedule. Risk analysis results show that the stochastic schedule has low chances to significantly deviate from targets; the probability that the conventional schedule will deviate from production targets is high. In addition, comparisons show that the conventional scheduling approach overestimates ore tonnages and underestimates the NPV of the mine design. The findings of this study suggest that LOM schedules that incorporate geological uncertainty lead to more informed investment decisions and improved mining practices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle