An integrated architecture for fixed truck assignment optimization in open-pit mines: Synergistic optimization, hybrid modeling, and multi-objective optimization
Notice bibliographique
Résumé
Fixed truck assignment (FTA) is a prevalent method of truck dispatching in open-pit mining. To improve equipment utilization and reduce energy consumption, this paper proposes an integrated architecture for optimizing FTA. The innovations of this architecture include three aspects: (1) The concept of synergistic optimization is introduced into FTA for the first time, with a proposed approach of “haul distance–transport grouping–fleet speed.” This approach establishes the relationship between equipment utilization, energy consumption, and their influencing factors. (2) A hybrid modeling method is designed, integrating Kernel Principal Component Analysis and Artificial Neural Network (KPCA-ANN) into the programming model to represent the NP-hard nature of the FTA optimization. (3) An adaptive reference point-based Nondominated Sorting Genetic Algorithm III (ARP-NSGA-III) is introduced, incorporating both letter and real-valued encoding to solve the 3 × b -objective ( ∀ b ∈ Z + ) optimization problem across various route topologies. Finally, the integrated architecture is evaluated using historical data from a case mine. The results show that the optimal FTA solution reduces the shovel idle time (SIT) by 679 h, truck waiting time (TWT) by 1.65 × 10 5 h, and truck fuel consumption (TFC) by 6.2 × 10 6 L. The reduction in fuel consumption (FC) is equivalent to reducing 1.65 × 10 4 tons of CO₂ emissions, accounting for 8.3 % of the total CO₂ emissions from haul activities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».