MétaCan
Menu
Retour à la cohorte
Enregistrement W7162014779 · doi:10.82308/4432

Equipment management towards sustainable mining

2020· dissertation· en· W7162014779 sur OpenAlexaboutno aff
Enzo Angeles Pasco

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineEngineering
ThématiqueMining Techniques and Economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésUnavailabilityReliability (semiconductor)Mining industryProductivityDowntimeTruckPreventive maintenanceScheduling (production processes)Spare part

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,223
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMining Techniques and EconomicsTravaux en français237 207