Gestion optimale du flux de métal dans une usine d’aluminium
Bibliographic record
Abstract
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.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".