Open-Pit Pushback Optimization by a Parallel Genetic Algorithm
Notice bibliographique
Résumé
Determining the design of pushbacks in an open-pit mine is a key part of optimizing the economic value of the mining project and the operational feasibility of the mine. This problem requires balancing pushbacks that have good geometric properties to ensure the smooth operation of the mining equipment and so that the scheduling of extraction maximizes the economic value by providing early access to the rich parts of the deposit. However, because of the challenging nature of the problem, practical approaches for finding the best pushbacks strongly depend on the expert criteria to ensure good operational properties. This paper introduces the Advanced Geometrically Constrained Production Scheduling Problem to account for operational space constraints, modeled as truncated cones of extraction. To find the best solution for this problem, we present a parallel genetic algorithm based on a genotype–phenotype model such that the genotype symbolizes the base block of a truncated cone, and the phenotype represents the cone itself. A central computer node evaluates these solutions, collaborating with various secondary nodes that evolve a population of feasible solutions. The PGA’s efficacy was validated using comprehensive test instances from established research. The PGA solution exhibited a consistent average copper grade across periods, with its incremental phases reflecting real-world mine geometry. Moreover, the benefits of the MeanShift clustering technique were evident, suggesting effective phase-based scheduling. The PGA’s approach ensures optimal resource utilization and offers insights into potential avenues for further model enhancements and fine-tuning.
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) | 0,001 | 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 ».