Key points are not available for this paper at this time.
Die Anwendungen des maschinellen Lernens (ML) erweitern ihren Einfluss im Bereich der Planungen für unterirdische Bergwerke, unterstützt durch die schrittweise Bereicherung der Forschungsmethoden. Tatsächlich wurden die Verbesserungen der Vorhersageergebnisse in Bereichen wie Bergbauverdünnung, Stollenstabilität, Erzgehalt und Verfügbarkeit von Maschinen beschleunigt. Darüber hinaus führt der zunehmende Einsatz von Geräten mit digitalen Technologien und schnellen Informationsabruf-Sensornetzwerken zur Produktion enormer Mengen an Betriebsdaten. Dennoch sind trotz dieser günstigen Entwicklungen die Optimierungsstudien zu entscheidenden Eingangsaktivitäten weiterhin isoliert, mit minimalen oder keinen Synergien für das Hauptziel, den Produktionszeitplan zu optimieren. Infolgedessen wird das volle Potenzial der ML-Vorteile nicht ausgeschöpft. Um die potenziellen Vorteile zu erkunden, skizziert diese Studie die primären Eingangsbereiche in der Produktionsplanung zur Referenz und begrenzt den Umfang auf sechs Schlüsselbereiche, die die Vorhersage von Verdünnung, die Variabilität des Erzgehalts, die geotechnische Stabilität, die Belüftung, die Preise für Mineralien und das Datenmanagement abdecken. Die Studie geht dann in die Literatur zu jedem Bereich ein, bevor sie die Einschränkungen der bestehenden gängigen Anwendungen, einschließlich ML, untersucht. Schließlich werden Schlussfolgerungen mit Empfehlungen/Lösungen präsentiert, um die Resilienz, globale Optimalität und Zuverlässigkeit des Produktionszeitplans durch synergistische Verbindungen mit funktionsspezifischen optimierten Eingangsmodellen zu verbessern.
Chimunhu et al. (Sat,) haben diese Frage untersucht.