Unmanned mining fleet Management: A Multi-Objective framework integrating deep reinforcement learning and Internet of Things
Notice bibliographique
Résumé
Optimizing short-term production scheduling in open-pit mines using mining fleets is a complex yet essential task with a significant impact on productivity and cost reduction. This study addresses the growing need for intelligent fleet management systems to maximize the utilization of unmanned mining fleets for efficient production scheduling. A multi-objective production scheduling framework was developed, incorporating deep reinforcement learning and the Internet of Things (IoT) for real-time fleet management. The proposed model focuses on minimizing fleet idle time and transportation costs while maximizing total production through parallel control of multiple shovels and mining trucks. IoT-based travel time estimation was integrated to enhance fleet coordination and improve scheduling accuracy. The model was evaluated using both hypothetical (6 loading points, 2 unloading points, 6 shovels, and 40 trucks) and real-world cases (17 loading points, 3 unloading points, 17 shovels, and 117 trucks) from the Sarcheshmeh Copper Mine in Iran. The DQN-IoT model achieved a 19.2% reduction in truck idle time, outperforming Particle Swarm Optimization (PSO) (12.7%) and Non-dominated Sorting Genetic Algorithm II (NSGA-II) (9.2%). Fleet utilization improved by 4.4%, compared to 2.9% (PSO) and 2.1% (NSGA-II). Operational costs were reduced by 5.5%, surpassing the savings of PSO (1.8%) and NSGA-II (1.2%). These results highlight the superiority of the proposed model and the practical benefits of integrating DQN and IoT in real-time fleet scheduling.
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 ».