Geometallurgical Detailing of Plant Operation within Open-Pit Strategic Mine Planning
Notice bibliographique
Résumé
Mineral and metallurgical processing are crucial within the mineral value chain. These processes involve several stages wherein comminution is arguably the most important due to its high energy consumption, and its impact on subsequent extractive processes. Several geological properties of the orebody impact the efficiency of mineral processing and extractive metallurgy; scholars have therefore proposed to deal with the uncertain ore feed in terms of grades and rock types, incorporating operational modes that represent different plant configurations that provide coordinated system-wide responses. Even though these studies offer insights into how mine planning impacts the ore fed into the plant, the simultaneous optimization of mine plan and metallurgical plant design has been limited by the existing stochastic mine planning algorithms, which have only limited support for detailing operational modes. The present work offers to fill this gap for open-pit mines through a computationally efficient adaptation of a strategic mine planning algorithm. The adaptation incorporates a linear programming representation of the operational modes which forms a Dantzig-Wolfe decomposition, nested within a high-performing stochastic mine planning algorithm based on a variable neighborhood descent metaheuristic. Sample calculations are presented, loosely based on the Mount Isa deposit in Australia, in which a metallurgical plant upgrade is evaluated, showing that the upgraded design significantly decreases the requirement on the mining equipment, without significantly affecting the NPV.
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 | 0,000 | 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 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 ».