Kuorma-autojen ja kauhakuormaajien toimintojen yhteensovittaminen avokaivoksissa käyttäen tilastollista dataa - ajojärjestysstrategiat, yhteensovituskerroin ja kaluston ikäperusteiset huollot
Notice bibliographique
Résumé
Economics today force mining companies to maximize profit over the life time of a mine. Especially in the context of open-pit mines, it is essential to acquire production with minimum cost. The ability to reduce operation costs can be directly achieved by utilizing trucks and shovels in an efficient manner. Dispatching approaches in the literature have considered different objectives in varying degrees of sophisticated assignments ranging from simple heuristic rules to complex mathematical programming. However, most approaches assume that all trucks and shovels have the same operating performance or ignore the stochastic nature of the truck-and-shovel operations. This thesis investigates one of the primary problems in an open-pit mine: efficient matching trucks and shovels. In other words, the aim is to determine the required number of trucks and shovels and their types to make the best match in order to satisfy the production target. This problem is investigated using different simulation and optimization models, which contain the behaviours of dispatching strategy, match factor, and age-based maintenance under an ideal operation and breakdown event. The results of this thesis show that the match factor ratio is able to determine limits for an appropriate fleet size selection, and can be used to estimate the relative efficiency of existing fleets. However, it cannot be used alone for fleet optimization. The choice of truck dispatching strategies and heuristic truck dispatching methods plays a crucial role to minimize the queuing time. Maintenance schedules are necessary to reduce breakdown, directly influencing equipment availability. Optimal preventive and corrective maintenance schedules are proposed for different truck age levels, providing cost savings. These proposed models offer potential applications to any situations in which truck fleets are used to transport material.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,009 |
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 ».