하울 트럭 디스패치에 대한 강화 학습 기반 정책: 토목 및 채석장 작업을 위한 프레임워크

트럭-굴착기 배정은 개방형 채굴 시스템(광산, 채석장 및 대규모 절개-메우기 건설 현장)에서 시간에 민감한 제어 문제로, 확률적 이동 및 서비스 시간, 변화하는 대기 줄, 장비 고장이 최적 디스패치 결정을 지속적으로 변경합니다. 심층 강화 학습(DRL) 디스패치 정책이 성건 구리 광산 하울리지 시스템의 이산 이벤트 시뮬레이션(DES) 디지털 트윈을 사용하여 개발되고 훈련되었습니다. 디스패치 작업은 함대 위치, 굴착기 및 덤프 대기열, 단기 혼잡 상태를 나타내는 상태 특징을 사용하여 마르코프 의사결정 프로세스로 공식화되었습니다. 결과적으로 생성된 심층 인공 신경망(DANN) 정책은 체계적인 하이퍼파라미터 최적화를 통해 조정되고, 장기 운영 트랙에서 우선순위 기반의 경험법칙 디스패치 기준과 비교하여 평가됩니다. 결과는 최종 훈련된 정책이 트럭 주기당 평균 생산률을 약 17% 향상시키면서 회피 가능한 대기 시간을 줄이고 장기간 운영 중 안정적인 성능을 유지하며, 실시간 디스패치에 충분히 빠른 추론을 보여줍니다. 모델 충실도는 시뮬레이션된 일일 완료 사이클 수와 실제 수치 간의 밀접한 일치로 뒷받침됩니다. 강건성은 통제된 트럭 적재 용량 변화로 평가되며, 확장성은 고정된 굴착-하울리지 구성 하에 추가된 트럭에 대한 수익 감소를 드러내는 함대 크기 민감성으로 검토됩니다. 실용 배치 고려사항과 건설 토목 물류에 대한 함의가 논의됩니다.