Notice bibliographique
Résumé
A typical mining company has three important assets: the human labor-force, the orebody, and the equipment. Trucks, excavators, drilling machines, crushers, grinders, classifiers, and concentrators comprise the equipment. Mining operations that want to take advantage of economies of scale have huge equipment fleet, and the worth of the equipment may easily exceed a hundred million dollars. The reliability and availability of this equipment play critical roles in increasing the efficiency and productivity of a mining operation. The losses associated with low performance or unavailability can be significant. The contribution of this thesis can be divided into two sections. The first part proposes an effective maintenance management approach to be used in the mining industry such that equipment availability and reliability are improved. The second section investigates the reduction effect on greenhouse gas emissions due to maintenance activities since most of these enormous equipment fleets used in mining are still diesel-powered.Using failure data of a mining truck fleet in an open-pit Canadian mining operation, a case study is conducted to determine the optimal inspection intervals based on the desired reliability level to detect potential catastrophic failures. Next, a preventive maintenance scheduling plan based on systems’ rejuvenation after each repair is explored for mining equipment. Finally, the relationship between equipment reliability and CO2 emissions is quantified and a regression model to predict emission is developed. The research outcomes show that the proposed approach has the potential to increase the efficiency and productivity of the mining equipment and can be used to contribute to equipment management towards more sustainable mining 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) | 0,001 | 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 ».