Stochastic Final Pit Limits: An Efficient Frontier Analysis under Geological Uncertainty in the Open-Pit Mining Industry
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
In the context of planning the exploitation of an open-pit mine, the final pit limit problem consists of finding the volume to be extracted so that it maximizes the total profit of exploitation subject to overall slope angles to keep pit walls stable. To address this problem, the ore deposit is discretized as a block model, and efficient algorithms are used to find the optimal final pit. However, this methodology assumes a deterministic scenario, i.e., it does not consider that information, such as ore grades, is subject to several sources of uncertainty. This paper presents a model based on stochastic programming, seeking a balance between conflicting objectives: on the one hand, it maximizes the expected value of the open-pit mining business and simultaneously minimizes the risk of losses, measured as conditional value at risk, associated with the uncertainty in the estimation of the mineral content found in the deposit, which is characterized by a set of conditional simulations. This allows generating a set of optimal solutions in the expected return vs. risk space, forming the Pareto front or efficient frontier of final pit alternatives under geological uncertainty. In addition, some criteria are proposed that can be used by the decision maker of the mining company to choose which final pit best fits the return/risk trade off according to its objectives. This methodology was applied on a real case study, making a comparison with other proposals in the literature. The results show that our proposal better manages the relationship in controlling the risk of suffering economic losses without renouncing high expected profit.
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 | 0,001 | 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 | 0,000 | 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