Short-term planning optimisation of open pit mines with Monte-Carlo haulage simulation in presence of semi-mobile IPCC
Notice bibliographique
Résumé
In-pit crushing and conveying (IPCC) is emerging as a viable alternative to traditional truck-shovel haulage in open-pit mines, driven by the rising fuel cost and concerns over greenhouse gas (GHG) emissions. Effective short-term planning in open-pit mines must account for operational and equipment uncertainties. However, optimising short-term planning with IPCC integration is a relatively underexplored research area. This study addresses this gap by developing a novel simulation-optimisation framework that combines mixed-integer linear programming (MILP) and Monte Carlo simulation (MCS) to simultaneously optimise short-term production schedules and evaluate haulage system performance under uncertainty. This framework explicitly incorporates IPCC operations and their failure-related uncertainties, an aspect largely overlooked in existing short-term planning models, into the planning process. The MILP minimises haulage costs while generating schedules and meeting long-term production targets through optimal shovel allocation to mining cuts. These schedules are then input into a Monte Carlo haulage simulation model, which captures the uncertainties related to trucks, shovels, and IPCC operations. Additionally, the simulation estimates key performance indicators including maximum tonnes per gross operating hour (TPGOH) and the proximity to optimal production under uncertain conditions for both IPCC and truck-shovel scenarios. The model has been verified through a case study in an iron ore mine over a 12-month planning horizon, yielding promising results that support the adoption of semi-mobile IPCC systems over traditional truck-shovel operations.
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 ».