Gestion optimale du flux de métal dans une usine d’aluminium
Notice bibliographique
Résumé
La production d’aluminium joue un rôle important dans l’économie du Canada. En 2022, le Canada a produit environ 3 millions de tonnes d’aluminium selon les données du Gouvernement du Canada (2023). Cette performance place le pays au quatrième rang mondial pour la production de ce matériau. Produit principalement à partir d’hydroélectricité, l’aluminium canadien a la plus petite empreinte carbone parmi les plus grands producteurs à travers le monde. Une usine de fabrication d’aluminium contient plusieurs secteurs, tels que l’électrolyse, la coulée et le carbone. Le département de l’électrolyse se charge de prendre en entrée l’alumine et de la convertir en aluminium grâce au procédé d’électrolyse de l’alumine. Le département de coulée est quant à lui responsable de prendre en entrée l’aluminium liquide et de produire différents types de produit d’aluminium. Enfin, le secteur du carbone se charge de la production d’anode nécessaire au procédé d’électrolyse. Ce mémoire s’intéresse aux opérations qui lient le centre d’électrolyse et de coulée. A l’électrolyse, l’aluminium est produit à l’intérieur des cuves. L’aluminium est éventuellement siphonné dans des creusets pour ensuite être vide au centre de coulée. Le centre de coulée contient plusieurs machines pour la production de différents produits d’aluminium. Chaque machine est associée à deux fours qui sont remplis en alternance. Ces fours permettent d’augmenter la température de l’aluminium liquide afin de pouvoir couler l’aluminium dans des moules spécifiques. Le centre de coulée contient également un carrousel qui permet de couler des lingots d’aluminium sous forme conventionnelle. Ces lingots peuvent être vendus sur le London Metal Exchange (LME) et leur prix est proportionnel à leur pureté. Le problème à résoudre consiste à trouver une assignation avantageuse pour chaque creuset de métal qui sort de l’électrolyse a un four du centre de coulée, a une demande de transport ou au carrousel. Une modélisation mathématique du problème, prenant en compte presque toutes les contraintes opérationnelles, est réalisée. Les temps de chargement, la quantité de métal et les concentrations chimiques sont des exemples de contraintes du modelé d’optimisation. Une fonction multiobjectif qui maximise principalement la qualité de l’aluminium verse au carrousel est construite. Le modèle d’optimisation linéaire en nombres entiers est résolu à l’aide du solveur d’optimisation Gurobi, qui exploite un algorithme de séparation et évaluation progressive, accompagne de plusieurs heuristiques avancées. Les résultats obtenus par le modèle d’optimisation sont concluants. Le modèle d’optimisation est capable d’assigner les tournées de siphonnage aux demandes de fours et transports tout en respectant les périodes de chargement, la quantité et les concentrations chimiques. De plus, les tournées de siphonnage de métal sont assignées au bon moment tout en maximisant la qualité du métal. En tout, sept instances sont étudiées en détail et chacune des solutions est présentée avec des graphiques, tableaux et diagramme de Gantt pour illustrer les différentes assignations.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».