Méthodes et mesures pour l'évaluation de la performance et de l'efficacité des équipements miniers de production
Bibliographic record
Abstract
La production et le coût d'exploitation des mines modernes dépendent beaucoup de la performance des équipements employés. Avec le progrès technologique, ces derniers deviennent de plus en plus sophistiqués et de taille de plus en plus imposante. Ces deux facteurs entraînent une hausse de l'investissement initial (coût d'acquisition) et le coût d'opération, ce qui affecte directement la rentabilité de la mine et la compétitivité de sa compagnie propriétaire. Il est donc évident qu'un des meilleurs moyens pour accroître la rentabilité et des profits des opérations est de maximiser l'efficacité globale des équipements employés. Cette dernière est une résultante de plusieurs facteurs techniques, opérationnels et économiques qui comprennent entre autres la fiabilité, la maintenance, sa gestion et son support, l'utilisation et la gestion de la flotte d'équipements. Pour parvenir à l'amélioration de l'efficacité globale, il est crucial de pouvoir mesurer ou quantifier divers aspects contributeurs à l'aide d'indicateurs de performance (KPI, Key Performance Indicators) adéquats et significatifs. Malgré l'importance de ce fait, il paraît que l'industrie minière accuse un retard considérable aux autres industries, plus particulièrement celle manufacturière. Dans ce contexte, il a été décidé de faire une étude ayant pour but de répertorier et d'analyser les pratiques et les procédures de suivi de la performance et de l'efficacité des équipements de production dans un certain groupe de mines canadiennes. L'accent a été porté particulièrement sur les mines souterraines. Cette étude a permis de distinguer les indices de performance techniques et opérationnels ainsi que leurs facteurs contributeurs, d'évaluer la précision et la signification des mesures couramment utilisées, et finalement discuter et émettre les recommandations sur les points à améliorer à court et long terme. Suite à la discussion des résultats, les mines recensées mesurent peu d'indices de performance et plusieurs problèmes ont été détectés pour leur interprétation et leur précision. Dans la lumière de la situation actuelle, certaines recommandations générales sur les points à améliorer à court et à moyen terme ont été formulées.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.016 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.006 | 0.007 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".