MétaCan
Menu
Retour à la cohorte
Enregistrement W2968494682 · doi:10.1139/cjfr-2019-0144

A detailed mathematical programming model for the optimal daily planning of sawmills

2019· article· en· W2968494682 sur OpenAlexvenueno aff
Nicolás Vanzetti, Diego Broz, Gabriela Corsano, Jorge M. Montagna

Notice bibliographique

RevueCanadian Journal of Forest Research · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueOptimization and Packing Problems
Établissements canadiensnon disponible
Organismes subventionnairesFondo para la Investigación Científica y TecnológicaConsejo Nacional de Investigaciones Científicas y Técnicas
Mots-clésProduction planningProduction (economics)Integer programmingSet (abstract data type)Linear programmingTask (project management)Computer scienceOperations researchMathematical optimizationMathematicsEngineeringAlgorithmEconomics

Résumé

récupéré en direct d'OpenAlex

The daily production planning of sawmills is a critical task in pursuing the optimal exploitation of forest resources. Production planning determines which logs are to be processed, taking into account their characteristics with the aim of satisfying the demand for final products. Logs are turned into lumber when they are cut according to a set of available cutting patterns (CPs). The development of efficient production planning is a key factor in improving the productivity of sawmills, and mathematical modeling is a suitable technique to achieve this objective. In this paper, a mixed integer linear programming (MILP) model for optimal daily production planning in sawmills is proposed. The model involves a set of CPs for each type of log, which is obtained through an exhaustive algorithm, attaining all possible feasible CPs. The proposed approach determines the optimal number of logs of each type to be cut, the selected CPs to be used, material inventory, demand fulfillment, and other industrial and commercial issues with the objective of maximizing the firm’s benefit, in reasonable computational time, considering the size of the problem.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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: aucune
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,068
Tête enseignante GPT0,320
Écart entre enseignants0,252 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Forest ResearchMême sujetOptimization and Packing ProblemsTravaux en français237 207