Digging Trajectory Optimization for Cable Shovel Robotic Excavation Based on a Multi-Objective Genetic Algorithm
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
As one of the most essential earth-moving equipment, cable shovels significantly influence the efficiency and economy in the open-pit mining industry. The optimal digging trajectory planning for each cycle is the base for achieving effective and energy-saving operation, especially for robotic excavation, in which case, the digging trajectory can be precisely tracked. In this paper, to serve the vision of cable shovel automation, a two-phase multi-objective genetic algorithm was established for optimal digging trajectory planning. To be more specific, the optimization took digging time and energy consumption per payload as objects with the constraints of the limitations of the driving system and geometrical conditions. The WK-55-type cable shovel was applied for the validation of the effectiveness of the multi-objective optimization method for digging trajectories. The digging performance of the WK-55 cable shovel was tested in the Anjialing mining site to establish the constraints. Besides, the digging parameters of the material were selected based on the tested data to make the optimization in line with the condition of the real digging operations. The optimization results for different digging conditions indicate that the digging time decreased from an average of 20 s to 10 s after the first phase optimization, and the energy consumption per payload reduced by 13.28% after the second phase optimization, which validated the effectiveness and adaptivity of the optimization algorithm established in this paper.
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