論文の概要: Deep Learning Decision Support System for Open-Pit Mining Optimisation: GPU-Accelerated Planning Under Geological Uncertainty

• arxiv url: http://arxiv.org/abs/2511.18296v1
• Date: Sun, 23 Nov 2025 05:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.754598
• Title: Deep Learning Decision Support System for Open-Pit Mining Optimisation: GPU-Accelerated Planning Under Geological Uncertainty
• Title（参考訳）: オープンピットマイニング最適化のための深層学習決定支援システム:地質不確実性下でのGPU高速化計画
• Authors: Iman Rahimi,
• Abstract要約: 本研究では,長期露天採掘計画のための完全不確実性を考慮した最適化フレームワークを提案する。 地質的な不確実性は、5万の空間グレードのサンプルに基づいて訓練された変分オートエンコーダを用いてモデル化される。 その結果、IBM CPLEXよりも120万倍改善され、地質的な不確実性の下では予測されるNPVが大幅に向上した。
• 参考スコア（独自算出の注目度）: 0.7310043452300737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents Part II of an AI-enhanced Decision Support System (DSS), extending Rahimi (2025, Part I) by introducing a fully uncertainty-aware optimization framework for long-term open-pit mine planning. Geological uncertainty is modelled using a Variational Autoencoder (VAE) trained on 50,000 spatial grade samples, enabling the generation of probabilistic, multi-scenario orebody realizations that preserve geological continuity and spatial correlation. These scenarios are optimized through a hybrid metaheuristic engine integrating Genetic Algorithms (GA), Large Neighborhood Search (LNS), Simulated Annealing (SA), and reinforcement-learning-based adaptive control. An ε-constraint relaxation strategy governs the population exploration phase, allowing near-feasible schedule discovery early in the search and gradual tightening toward strict constraint satisfaction. GPU-parallel evaluation enables the simultaneous assessment of 65,536 geological scenarios, achieving near-real-time feasibility analysis. Results demonstrate up to 1.2 million-fold runtime improvement over IBM CPLEX and significantly higher expected NPV under geological uncertainty, confirming the DSS as a scalable and uncertainty-resilient platform for intelligent mine planning.
• Abstract（参考訳）: 本研究では,Rahimi(2025, Part I)を拡張したAI強化意思決定支援システム(DSS)のパートIIについて,長期の露天採掘計画のための完全不確実性を考慮した最適化フレームワークを提案する。 地質的不確実性は,5万個の空間グレードサンプルに基づいてトレーニングされた変分オートエンコーダ(VAE)を用いてモデル化される。 これらのシナリオは遺伝的アルゴリズム(GA)、LNS(Large Neighborhood Search)、SA(Simulated Annealing)、強化学習に基づく適応制御を統合したハイブリッドメタヒューリスティックエンジンによって最適化される。 ε制約緩和戦略は、人口探索段階を規定し、探索の早い段階でほぼ実現可能なスケジュール発見と、厳密な制約満足度への段階的な厳格化を可能にする。 GPU並列評価は65,536の地質シナリオの同時評価を可能にし、ほぼリアルタイムな実現可能性分析を実現する。 その結果、IBM CPLEXよりも最大120万倍のランタイム改善が達成され、地質的な不確実性の下で予測されるNPVが大幅に向上し、DSSがインテリジェントな鉱山計画のためのスケーラブルで不確実性のあるプラットフォームであることを確認した。

関連論文リスト

• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Bi-Objective Evolutionary Optimization for Large-Scale Open Pit Mine Scheduling Problem under Uncertainty with Chance Constraints [3.6439154309310013]
  本稿ではオープンピット地雷スケジューリング問題(OPMSP)の2目的定式化について述べる。 同時に、期待されているネットの現在値を最大化し、制約に必要な信頼レベルとは無関係に、スケジューリングリスクを最小化する。 その結果, 提案手法は単一目的, 信頼性に依存したアプローチに比べて, 経済価値とリスクの間のより堅牢かつバランスの取れたトレードオフをもたらすことが示された。
  論文  参考訳（メタデータ） (2025-11-11T14:05:29Z)
• OTSurv: A Novel Multiple Instance Learning Framework for Survival Prediction with Heterogeneity-aware Optimal Transport [58.5751036808652]
  全スライド画像(WSI)を用いた生存予測は、多重インスタンス学習(MIL)問題として定式化することができる。 我々は、最適な輸送の観点から、新しいMILフレームワークであるOTSurvを提案する。 我々は6つの人気のあるベンチマークで新しい結果を設定し、平均的なCインデックスで絶対3.6%の改善を達成した。
  論文  参考訳（メタデータ） (2025-06-25T18:09:42Z)
• Model-Free Kernel Conformal Depth Measures Algorithm for Uncertainty Quantification in Regression Models in Separable Hilbert Spaces [9.504740492278003]
  本研究では,条件付き深度測定と統合深度測定に基づくモデルフリー不確実性定量化アルゴリズムを提案する。 新しいアルゴリズムは、予測器と応答が分離可能なヒルベルト空間で定義されるとき、予測領域と許容領域を定義するのに使うことができる。 身体活動に関するデジタルヘルスアプリケーションを通じて、我々のアプローチの実践的妥当性を実証する。
  論文  参考訳（メタデータ） (2025-06-10T01:25:37Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• An Optimal Cascade Feature-Level Spatiotemporal Fusion Strategy for Anomaly Detection in CAN Bus [2.8151714475955263]
  インテリジェントトランスポートシステム(ITS)は、現代のインフラにおいて重要な役割を担っているが、車内コントローラエリアネットワーク(CAN)バスの放送特性により、セキュリティ上のリスクに直面している。 提案したフレームワークは、100%精度で全ての攻撃タイプを検出し、最先端の手法より優れている。
  論文  参考訳（メタデータ） (2025-01-31T00:36:08Z)
• Efficiently Training Deep-Learning Parametric Policies using Lagrangian Duality [55.06411438416805]
  制約付きマルコフ決定プロセス(CMDP)は、多くの高度な応用において重要である。 本稿では,パラメトリックアクターポリシーを効率的に訓練するための2段階深度決定規則(TS-DDR)を提案する。 現状の手法と比較して, 解の質を高め, 数桁の計算時間を削減できることが示されている。
  論文  参考訳（メタデータ） (2024-05-23T18:19:47Z)
• Optimal Horizon-Free Reward-Free Exploration for Linear Mixture MDPs [60.40452803295326]
  線形マルコフ決定過程(MDP)を学習するための新たな報酬なしアルゴリズムを提案する。 我々のアルゴリズムの核心は、探索駆動の擬似回帰を用いた不確実性重み付き値目標回帰である。 我々のアルゴリズムは$tilde O(d2varepsilon-2)$ episodesを探索するだけで、$varepsilon$-optimal policyを見つけることができる。
  論文  参考訳（メタデータ） (2023-03-17T17:53:28Z)
• Deep learning for prediction of complex geology ahead of drilling [0.0]
  意思決定支援システムは、大量のデータと解釈の複雑さに対処するのに役立つ。 彼らはリアルタイム測定を確率的地球モデルに同化し、最新のモデルを使って意思決定の推奨を行うことができる。 本稿では,ジオステアリング決定支援フレームワークに2つのML手法を導入する。
  論文  参考訳（メタデータ） (2021-04-06T14:42:33Z)
• Temporal-Structure-Assisted Gradient Aggregation for Over-the-Air Federated Edge Learning [24.248673415586413]
  本稿では,モデル集約系列の固有時間構造を特徴付けるマルコフ確率モデルを提案する。 本研究では,時間構造支援勾配集約(TSA-GA)と呼ばれるメッセージパッシングアルゴリズムを開発し,この推定課題を満たす。 提案するtsagaアルゴリズムは最先端技術を大幅に上回り,同等の学習性能を達成可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-03T09:13:27Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。