MétaCan
Menu
Retour à la cohorte
Enregistrement W2028301553 · doi:10.1080/02827581.2013.856937

Combining optimization and simulation tools for short-term planning of forest operations

2013· article· en· W2028301553 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueScandinavian Journal of Forest Research · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueForest Biomass Utilization and Management
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSimulated annealingHeuristicTruckTerm (time)Stochastic optimizationDiscrete event simulationOperations researchSimulation modelingMillMathematical optimizationSimulationEngineeringArtificial intelligenceMachine learning

Résumé

récupéré en direct d'OpenAlex

The use of optimization techniques is well established in forest short-term planning and decision-making. Yet, existing techniques may pose some limitations for tackling with stochastic factors impacting in the execution of forest operations, such as delays, equipment breakdowns and other unexpected events. This paper explores the potential of using optimization techniques in combination with discrete-event simulation (DES) models for planning harvesting and logistics operations acknowledging uncertainty. DES models may be useful for assessing the performance and identifying bottlenecks associated with the execution of the deterministic plans retrieved with optimization techniques, when such stochastic events occur. This paper further presents an approach for the combination of a heuristic and a DES model developed in SIMIO. This approach was used to solve the raw material reception problem (RMRP) at a Portuguese pulp mill. This paper concludes with the analysis of the performance of deterministic schedules for the wood trucks considering uncertainty in their arrival at the mill.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,229
Score d'incertitude au seuil0,364

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,079
Tête enseignante GPT0,356
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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