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 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 ».