An optimization-based approach to fleet reliability and allocation in open-pit mining
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
Open-pit mining operations depend heavily on the availability and reliability of complex equipment fleets, where the failure of one component can disrupt overall productivity. This study proposes two complementary optimization models to enhance fleet allocation and reliability in the mining industry. The first model — a Mixed-Integer Nonlinear Programming (MINLP) formulation — supports short-term planning by maximizing the minimum reliability of heterogeneous truck–shovel sub-systems under production and utilization constraints. The second model focuses on medium-term reliability enhancement, allocating targeted reliability improvements to critical components based on equipment degradation and operational history. Both models are validated using real operational data from an open pit mine , which includes failure and repair time datasets from 17 trucks and 2 hydraulic shovels. Reliability curves are estimated using the power law model under a Non-Homogeneous Poisson Process (NHPP) assumption. Results show that optimal allocation can achieve production targets of 4,489 tons per hour with a minimum sub-system reliability of 0.7. Furthermore, reliability improvements tailored to engine-hour-based cost functions can effectively restore operational performance over a one-week horizon. This research bridges the gap between fleet allocation and reliability allocation and introduces a novel framework for integrating reliability into equipment planning. The models provide actionable insights for mining operations to optimize equipment deployment, reduce failure risk, and support more resilient and cost-effective planning.
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