MétaCan
Menu
Retour à la cohorte
Enregistrement W4411151487 · doi:10.1007/s44346-025-00007-2

Deviation to mucking analysis

2025· article· en· W4411151487 sur OpenAlexafffund
Coralee Heske, Derek B. Apel, Muhammad Adil, Bunyamin Kahraman, Wei Victor Liu, Yuanyuan Pu

Notice bibliographique

RevueDiscover Minerals. · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueMining Techniques and Economics
Établissements canadiensVale (Canada)University of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacs
Mots-clésGeodesyMeteorologyGeologyEnvironmental scienceMathematicsGeography

Résumé

récupéré en direct d'OpenAlex

Deviations in drill holes during underground mining substantially impact operating efficiency and safety. An examination of six stopes at Thompson Mine revealed systematic deviations of roughly 1 m (3 ft) from the designated drill hole configuration. Excessive deviations may result in imprecise ore body targeting, elevated operational expenses, and possible safety risks. A correlation was identified between the percentage of holes deviating beyond the average and the mucking rate, indicating that to sustain an average of 544 tonnes (600 tons) per day, less than 21% of holes should surpass the average deviation. It is also essential that drill speeds average 9.14 m (30 ft) per hour, particularly for novice operators, to reduce hole deviation. Regulated drilling rates improve precision, resulting in more efficient and economical operations. Decreased drilling rates mitigate the likelihood of misalignment and structural complications. Efficient management of drill hole variations necessitates sophisticated drilling tools, meticulous planning, and ongoing monitoring to guarantee adherence to the designated drill trajectory. Mining operations can achieve improved resource recovery, decrease waste, and enhance production by limiting deviations. Mitigating drill hole deviations is crucial for enhancing underground mining projects' economic and environmental results, allowing for a degree of tolerance for systematic deviations. Supplementary Information: The online version contains supplementary material available at 10.1007/s44346-025-00007-2.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,172
Score d'incertitude au seuil0,299

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,232
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDiscover Minerals.Même sujetMining Techniques and EconomicsTravaux en français237 207