Fugu-MT 論文翻訳(概要): Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data

論文の概要: Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data

arxiv url: http://arxiv.org/abs/2506.04296v1
Date: Wed, 04 Jun 2025 12:12:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-06 21:53:49.336886
Title: Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data
Title（参考訳）: 実データとシミュレーションデータを用いた露天掘り鉱山における不確実性下での船舶生産能力予測のための深層学習
Authors: N Guerin, M Nakhla, A Dehoux, J L Loyer,
Abstract要約: 本稿では,実世界の運用記録と合成機械的破壊シナリオを融合したディープラーニングフレームワークを提案する。 XGBoost回帰器は14.3%の絶対誤差(MedAE)と15.1%のLong Short-Term Memoryネットワークの2つのアーキテクチャを評価した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate short-term forecasting of hauling-fleet capacity is crucial in open-pit mining, where weather fluctuations, mechanical breakdowns, and variable crew availability introduce significant operational uncertainties. We propose a deep-learning framework that blends real-world operational records (high-resolution rainfall measurements, fleet performance telemetry) with synthetically generated mechanical-breakdown scenarios to enable the model to capture fluctuating high-impact failure events. We evaluate two architectures: an XGBoost regressor achieving a median absolute error (MedAE) of 14.3 per cent and a Long Short-Term Memory network with a MedAE of 15.1 per cent. Shapley Additive exPlanations (SHAP) value analyses identify cumulative rainfall, historical payload trends, and simulated breakdown frequencies as dominant predictors. Integration of simulated breakdown data and shift-planning features notably reduces prediction volatility. Future work will further integrate maintenance-scheduling indicators (Mean Time Between Failures, Mean Time to Repair), detailed human resource data (operator absenteeism, crew efficiency metrics), blast event scheduling, and other operational constraints to enhance forecast robustness and adaptability. This hybrid modelling approach offers a comprehensive decision-support tool for proactive, data-driven fleet management under dynamically uncertain conditions.
Abstract（参考訳）: 気象変動、機械的な故障、および変動する乗組員の可用性が重大な運用上の不確実性をもたらす、オープン・ピット・マイニングにおいて、輸送船のキャパシティの正確な短期予測が不可欠である。本研究では,実世界の運用記録(高分解能降雨量測定,艦隊性能テレメトリ)と合成された機械的破壊シナリオをブレンドして,変動する高インパクト故障イベントを捕捉する深層学習フレームワークを提案する。 XGBoost回帰器は14.3%の絶対誤差(MedAE)と15.1%のLong Short-Term Memoryネットワークの2つのアーキテクチャを評価した。 Shapley Additive ExPlanations (SHAP) の値解析により,累積降雨量,過去の積荷傾向,およびシミュレーションされた崩壊頻度を支配的な予測因子として同定した。シミュレーションされたブレークダウンデータとシフト計画機能の統合は、予測のボラティリティを著しく低下させる。今後の作業では、メンテナンススケジュールインジケータ(平均失敗間時間、平均修理までの時間)、詳細な人的リソースデータ(オペレーショナル不在、乗組員効率の指標)、爆発イベントスケジューリング、その他の運用上の制約を統合して、予測の堅牢性と適応性を高める予定である。このハイブリッドモデリングアプローチは、動的に不確実な条件下で、プロアクティブでデータ駆動型のフリート管理のための包括的な意思決定支援ツールを提供する。

論文の概要: Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data

関連論文リスト