Application of agent-based modeling to truck-shovel dispatching systems in open pit mines
Notice bibliographique
Résumé
Various computer-based dispatching systems have been developed for managing truck and shovel pairing in surface mining operations and are being used to varying degrees of success. Systems have shown the ability to increase production and maintain ore quality within prescribed upper and lower limits provided there is a stable operational environment. However, operational environments in mining are uncertain and highly variable. Upsets such as equipment breakdowns, or changing weather conditions often occur and no claims have been made about the success of these systems to react to these upsets and successfully adapt to new operational conditions generated by upsets. In an ant colony different activities are performed simultaneously by specialized individuals. However when the environment with an ant colony changes or experiences a major upset, the configuration of task allocations within the colony change to adapt to the new conditions. In this thesis, the task allocation model developed for ant colonies was modified and used to develop a dispatch algorithm, the Agent Based Model, which reacts reliably to changes and upsets in surface mining operations. The algorithm was simulated over a twelve-hour shift using AUTOMOD®, a discrete event simulation program. The simulation results of the Agent Based Model are compared to that of the Fixed Assignment Method used by current dispatch systems in which each truck is permanently assigned to a particular shovel. The total production of ore and waste from the Agent Based Model is consistently greater than that from the Fixed Assignment Method because an Ant Based system allows re-assignment (task reallocation). The simulations also show that the Agent Based system reliably adapts and limits the impact of upsets on a mining operation.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».