The stochastic optimization of long and short-term mine production schedules incorporating uncertainty in geology and equipment performance
Notice bibliographique
Résumé
La cédulation de la production minière consiste à définir la séquence d'extraction et le mode de traitement du minerai, discrétisé en un modèle de blocs, au sein de différentes fenêtres et échelles de temps. Ces dernières répondent à des objectifs distincts et sont soumises à des contraintes techniques et opérationnelles différentes. La planification minière à long terme vise habituellement à définir la production annuelle de la mine jusqu'à la fin de l'exploitation et pour cela cherche à maximiser la valeur actuelle nette du projet tout en satisfaisant les capacités d'extraction et de traitement. La planification à court terme cherche quant à elle à déterminer une séquence d'extraction à une échelle de temps plus courte puisqu'elle se concentre sur quelques mois, semaines ou même jours de production uniquement. En général, l'objectif est alors de maximiser la satisfaction des cibles de production définies par la planification à long terme tout en considérant des contraintes opérationnelles plus détaillées. Historiquement, ce type d'optimisation considère l'hypothèse d'une connaissance parfaite des paramètres incertains. Cependant, les études sur la planification stochastique montrent qu'intégrer l'incertitude dans l'optimisation de la production des mines est en mesure d'augmenter significativement la valeur économique d'un projet, tout en minimisant le risque de déviation par rapport aux cibles de production. Ce mémoire explorera les gains que permettent d'obtenir des considérations stochastiques dans la planification des mines lors d'une optimisation à long et à court terme.On présente d'abord une étude portant sur la planification minière à long terme d'un projet d'extraction d'éléments de terres rares (ETR) prenant en compte l'incertitude géologique dans le cadre d'une optimisation stochastique. L'incertitude concernant les teneurs des terres rares est modélisée en utilisant une technique de simulation-conjointe efficace pour préserver les relations inter-éléments. L'approche proposée évite l'utilisation conventionnelle de la teneur en oxydes de terres rares totales. La planification stochastique obtenue est comparée à une planification dite déterministe générée avec un optimiseur conventionnel. Les gains de la solution stochastique sont divers: une augmentation de 20% de la valeur actuelle nette espérée; une meilleure utilisation de la capacité de l'usine de traitement; et un concentré de minerai de qualité supérieure en termes de contraintes de mélanges des ETR. La deuxième étude propose une formulation stochastique qui vise à simultanément optimiser l'allocation de l'équipement et la planification de la production à court terme en prenant de nouveau en compte l'incertitude géologique mais également l'incertitude sur la performance de l'équipement. L'approche proposée complète certaines limitations de précédents travaux en planification stochastique à court terme, notamment en: incorporant l'optimisation du mouvement et de l'emplacement des pelleteuses; en générant des scénarios de performance de l'équipement plus réalistes; en présentant une nouvelle approche pour définir des contours d'extraction plus pratiques; et en proposant des améliorations de stratégies d'optimisation afin de résoudre plus efficacement des problèmes de grandes dimensions. Le modèle est appliqué à un complexe minier d'extraction de cuivre et est comparé à une approche traditionnelle, déterministe, où la même formulation est résolue en utilisant uniquement les paramètres moyens pour la géologie et la performance des équipements au lieu d'un ensemble de simulations. La solution stochastique s'avère être plus efficace pour contrôler le risque de déviation des cibles de tonnages de chaque destination de traitement. De plus, l'intégration de la variabilité de la performance de l'équipement permet à l'optimiseur stochastique de générer une séquence d'extraction pour laquelle les objectifs de production sont beaucoup plus susceptibles d'être atteints.
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 | 0,001 | 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 | 0,001 | 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 ».