Simulation-based mine extraction sequencing with chance constrained risk tolerance
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
Technical and financial uncertainties present significant risks to the profitability and efficiency of mining operations. Unexpected realizations (e.g., price or grade) may result in catastrophic consequences. This phenomenon forces mining industries to use probabilistic decision-making tools to assess, mitigate, and manage the risks associated with these uncertainties. In this context, mining operations need robust schedules, which are insensitive to market changes and/or unexpected grade realizations. The mine production scheduling problem consists of three sub-problems: extraction sequencing (timing), ore-waste discrimination (classification) and production rates (utilization). The solutions to these problems are generated under significant parameter uncertainties. This paper proposes an extraction sequencing approach in which the net present value of a mining project is, for a given risk tolerance, maximized and the actual risk tolerance is then verified through Monte-Carlo simulations. The risk tolerance is a measure of uncertainty and that secures the project net present value with a given probability. Risk tolerance is derived through the use of standard deviations of block economic values in the medium of multiple grade and economic images of orebody. The proposed approach is demonstrated on a case study using gold mine data. The results of the case study show that the proposed approach, combining chance-constrained programming and Monte-Carlo simulation, can be used to solve the mine extraction sequencing problem in an uncertain financial and technical environment.
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 | 0,000 | 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 découle