Using Artificial Intelligence in Mining Excavators: Automating Routine Operational Decisions
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
Worldwide mining operations, which account for nearly 11% of global power consumption, are 28% less productive today than a decade ago. Meanwhile, mobile equipment was present in nearly 40% of mining fatalities and more than 30% of injuries in 2017. Building intelligence into existing mining excavators improves the safety, productivity, and energy efficiency of mining. This can provide perception, monitoring, and control capabilities that produce accurate, actionable data for mines. The intelligent excavator has an in-cab monitor that provides real-time status updates and guidance to operators as well as a remote monitoring portal. Multiple sensors, including a rugged camera that overlooks the excavator bucket, high-resolution surveillance cameras, radar, arm geometry, hydraulic pressure monitoring, and electric motor power measurement, sensors are integrated. Additionally, a set of human labeled video frames is used as training inputs to train an artificial neural network (NN) to perform multiple object localization via an optimization process, which (combined with other sensory data) is used to monitor the wear and breakage of sacrificial ground engaging tools (GETs), detect foreign objects, analyze the size distribution of the material inside the bucket, measure the bucket payload, and augment the operator's skill and experience. This information is vital to mining operations aiming to optimize dig, load, and dump cycles for energy consumption, downtime, and operator efficiency. Aside from improving operational efficiency, intelligent excavator solutions enable us to develop highly perceptive shovels with decision-making modules that pave the way for fully autonomous excavator 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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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