MétaCan
Menu
Retour à la cohorte
Enregistrement W3189623251 · doi:10.3390/mining1020012

Mathematical Programming Application in Sublevel Caving Production Scheduling

2021· article· en· W3189623251 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueMining · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueMining Techniques and Economics
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésScheduling (production processes)Profitability indexRock blastingProduction scheduleScheduleOperations researchEngineeringFlexibility (engineering)Production (economics)Computer scienceMining engineeringIndustrial engineeringOperations managementMathematicsBusinessEconomics

Résumé

récupéré en direct d'OpenAlex

Production scheduling determines the most beneficial mining sequence over the life of a mine. Developing a schedule that meets all mining aspects can substantially reduce mining costs and increase profitability. Among all underground mining methods, the sublevel caving method is a common method with moderate development requirements, a high production rate, and a high degree of mechanization and flexibility. None of the manual planning methods and heuristic algorithms used in commercial software will lead to a truly optimal schedule. Mathematical programming models, particularly mixed-integer programming (MIP), have been applied to provide an operationally feasible multi-time-period schedule in sublevel caving. However, confined blasting conditions, chaotic material flow, and frequent mixing of ore and waste while loading broken ore at the drawpoint make the sublevel caving method unique when producing a holistic plan. This paper reviews all mathematical programming models presented in sublevel caving production scheduling, highlights the inherent characteristics of the sublevel caving that affect production, and puts forward some promising ideas for future works.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,811
Score d'incertitude au seuil0,412

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,234
Écart entre enseignants0,214 · 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