CC BY
24
ГИАБ. Горный информационно-аналитический бюллетень / MIAB. Mining Informational and Analytical Bulletin, 2022;(6—1):304—316 ОРИГИНАЛЬНАЯ СТАТЬЯ / ORIGINAL PAPER
УДК 622.-1/-9, 004.94 DOI: 10.25018/0236_1493_2022_61_0_304
КОМПЬЮТЕРНАЯ СИСТЕМА ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ ДЛЯ ОПТИМИЗАЦИИ ПАРАМЕТРОВ ЭКСКАВАТОРНО-АВТОМОБИЛЬНЫХ КОМПЛЕКСОВ
И. С. Кузнецов1, В. В. Зиновьев1, П. И. Николаев1, А. Н. Стародубов1
1 Федеральное государственное бюджетное научное учреждение «Федеральный исследовательский центр угля и углехимии Сибирского отделения Российской академии наук» (ФИЦ УУХ СО РАН), Кемерово, 650000, Россия
Аннотация: Представлена компьютерная система для автоматической оптимизации параметров карьерных экскаваторно-автомобильных комплексов при добыче угля открытым способом. Работа системы основана на совместном использовании имитационного моделирования, адаптированного генетического алгоритма и мультипликативной свертки критериев оптимизации в агрегированном виде для исследования и выбора оптимальных параметров карьерных горных машин. Система, на основе введенных пользователем условий проведения экспериментов, горнотехнических условий, а также физико-механических свойств горных пород, позволяет автоматически выбирать из базы данных подходящие характеристик горных машин, генерировать имитационную модель для отображения их взаимодействия во времени и пространстве, а также проводить вычислительные эксперименты при помощи ядра моделирования GPSS World. Результаты передаются в интерфейс пользователя в виде 3Б-анимации с выводом графиков изменения параметров элементов системы (забоев, горных машин, пунктов разгрузки). С применением компьютерной системы сформулированы и обоснованы предложения по набору параметров ЭАК для условий ООО СП «Барзасское товарищество» (Кузбасс). При проведении исследований учитывались вероятностные простои по организационным и техническим причинам. Определены оптимальные параметры горных машин, обеспечивающие максимальную эксплуатационную производительность при минимальных удельных затратах на погрузку и транспортирование горных пород.
Ключевые слова: добыча угля, параметры горных машин, экскаваторно-автомобильный комплекс, оптимизация, компьютерная система, вероятностные простои, имитационное моделирование, вычислительный эксперимент, принятие решений. Благодарность: Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований (грант №19—37—90031).
Для цитирования: Кузнецов И. С., Зиновьев В. В., Николаев П. И., Стародубов А. Н. Компьютерная система имитационного моделирования для оптимизации параметров экска-ваторно-автомобильных комплексов // Горный информационно-аналитический бюллетень. — 2022. - № 6—1. — С. 304—316. DOI: 10.25018/0236_1493_2022_61_0_304.
© И. С. Кузнецов, В. В. Зиновьев, П. И. Николаев, А. Н. Стародубов. 2022
Simulation modeling computer-based system for optimizing the parameters of open-pit excavator-dump truck complexes
I. S. Kuznetsov1, V. V. Sinoviev1, P. I. Nikolayev1, A. N. Starodubov1
1 Federal State Budget Scientific Centre "The Federal Research Center of Coal and Coal-Chemistry of Siberian Branch of the Russian Academy of Sciences" (FRC CCC SB RAS), Kemerovo, 650000,
Russia, e-mail: [email protected]
Abstract: In article presented computer system for automatic optimization of excavator-dump truck complexes parameters in open pit coalmining. System works on integration of simulation modeling in evolutionary algorithm and multiplicative convolution of optimization criteria in an aggregated form for calculation of mining machines optimal parameters. First system user defines mining conditions, physical and mechanical properties of rocks and experiment parameters. Then system automatically choose select from database mining machines parameters, creates simulation models for accounting of mining machines interaction and conducts simulation experiments in simulation core of GPSS World. System shows results of optimization in user interface as 3D-animation with diagrams of change of open pit coalmining parameters of quarry faces, mining machines and unload points. Computer system determined parameters of excavator-dump truck complexes for conditions of coalmining in "Barzas partnership" group in Kuzbass. The system took into account unscheduled downtime for organizational and technical reasons. The optimal parameters of excavator-dump truck complexes have been determined to ensure maximum operational performance with minimal unit costs for loading and transporting rocks. Key words: coal mining, mining machines parameters, excavating vehicle complex, optimization, computer-based system, probable downtimes, simulation modeling, simulation experiment, decision making.
Acknowledgment: The research is done under financial support of Russian Foundation for Basic Research, project No.19-37-90031.
For citation: Kuznetsov I. S., Sinoviev V. V., Nikolayev P. I., Starodubov A. N. Simulation modeling computer-based system for optimizing the parameters of open-pit excavator-dump truck complexes. MIAB. Mining Inf. Anal. Bull. 2022;(6—1):304—316. [In Russ]. DOI: 10.25018/0236_1493_2022_61_0_304.
Введение
Эффективность работы угольного разреза при добыче угля открытым способом зависит от множества параметров применяемых карьерных экскаваторов и автосамосвалов, образующих экскаваторно-автомобильный комплекс (ЭАК), таких, как вместимость ковша и число ковшей разгружаемых экскаватором в кузов автосамосвала, необходимых до полной загрузки автосамосвала, максимальные радиус и высота черпания, высота разгрузки, продолжительность цикла, грузоподъемность, вместимость кузова, скорость движения,
продолжительность подъема/опускания кузова, вес тары, габариты автосамосвалов и их количество. Современный рынок одноковшовых экскаваторов механических/гидравлических лопат (исключая драглайны) цикличного действия включает в себя множество моделей отечественного и зарубежного производства с объемами ковшей от 5 до 49 м3, применяемых в основном для погрузки вскрышных пород (54 модели), а также и для погрузки угля с объемами ковшей от 5 до 11 м3 (14 моделей) [1 — 4]. Рынок карьерных автосамосвалов (исключая шарнирно-
сочлененные), также включает в себя множество моделей в большинстве зарубежного производства с грузоподъемностью от 30 до 450 т, применяемых для транспортировки вскрышных пород (38 моделей) и для транспортировки угля, грузоподъемностью от 45 до 130 т (10 моделей) [4, 5]. Вследствие возможности применения различного набора карьерных экскаваторов и автосамосвалов с разными характеристиками, подходящими для одних и тех же горнотехнических условий разработки и физико-механических свойств горных пород, возникает многовариантная задача выбора параметров ЭАК с целью обеспечения максимальной эффективности добычи.
Также на эффективность добычи в значительной мере влияют вероятностные простои горных машин, возникающие по различным техническим и организационным причинам. Эти простои могут занимать от 3,39 до 50% рабочего времени, что приводит к снижению эффективности ЭАК и всего угольного разреза в целом и требует учета при исследовании и выборе параметров ЭАК [6-8].
Перебор всех возможных значений перечисленных выше параметров затрудняет использование традиционных аналитических методов для выбора их оптимальных значений и принятия проектных решений. Более того, оптимизация осложняется вероятностной длительностью основных технологических процессов и их динамичностью [9].
Возникает необходимость разработки компьютерной системы на основе алгоритмических методов оптимизации, позволяющих определять эффективность добычи для каждого набора значений параметров экскаваторов и автосамосвалов с применением имитационных моделей, отображающих
вероятностное взаимодействие горных машин во времени и пространстве.
Методы
Для разработки компьютерной системы применен комплекс методов, включающий: теорию массового обслуживания; дискретно-событийное имитационное моделирование; методы математической статистики и теории вероятностей; методы эвристической дискретной многопараметрической оптимизации; теорию планирования эксперимента; теорию автомобилей; объектно-ориентированное программирование.
Результаты
Разработана оригинальная компьютерная система имитационного моделирования, позволяющая пользователю оптимизировать состав ЭАК для заданных горнотехнических условий эксплуатации, структурная схема которой представлена на рис. 1.
Система включает три основных элемента: «Модуль имитационного моделирования и оптимизации», «Модуль визуализации», «Интерфейс пользователя», табл. 1.
Программная реализация «Модуля имитационного моделирования и оптимизации», которая отличается принципом интеграции дискретно-событийного имитационного моделирования в эвристический генетический алгоритм оптимизации, включающий блоки «Генератор моделей», «Интерпретатор GPSS World», «Блок оптимизации» осуществлена в среде Microsoft Visual Studio.
Блоки «Генератор моделей» и «Интерпретатор GPSS World», позволяют пользователю на основе введенных им условий проведения экспериментов, горнотехнических условий эксплуатации, а также физико-механических
Рис. 1. Структурная схема компьютерной системы имитационного моделирования для оптимизации параметров карьерных ЭАК
Fig. 1. The diagram of computer-based simulation modeling system for optimizing mining excavator-dump truck complexes parameters
Таблица 1
Основные элементы компьютерной системы Computer-based system basic elements
Элемент системы Назначение
Модуль имитационного моделирования и оптимизации Генерация по заданному алгоритму моделей различных вариантов сочетаний параметров экскаваторов и автосамосвалов с возможностью учета случайных факторов взаимодействия горных машин во времени и пространстве; Планирование и проведение вычислительных экспериментов; Оценка вариантов сочетаний параметров экскаваторов и автосамосвалов для заданных условий ведения горных работ.
Модуль визуализации Отображение взаимодействия экскаваторов и автосамосвалов в соответствии с работой имитационной модели.
Интерфейс пользователя Интерактивное взаимодействие пользователя с системой имитационного моделирования.
свойств горных пород, автоматически выбирать из базы данных подходящие характеристики горных машин, генерировать имитационную модель для отображения их взаимодействия во времени и пространстве, а также проводить вычислительные эксперименты при помощи ядра моделирования GPSS World [11—14] с целью определения
для каждого варианта сочетания параметров ЭАК суточной эксплуатационной производительности и удельных затрат на погрузку и транспортирование горных пород.
Максимизация производительности и минимизация удельных затрат на проведение работ осуществляется в «Блоке оптимизации» с помощью
эвристического генетического алгоритма [15 — 19] и комплексного мультипликативного критерия оптимизации в агрегированном виде [10, 20, 21]:
F = Q-
= Cß '
(1)
где Q — суточная эксплуатационная производительность ЭАК, т/сут.; С — удельные затраты на погрузку и транспортирование горных пород, руб/т; а — весовой коэффициент суточной производительности; в — весовой коэффициент удельных затрат на погрузку и транспортирование горных пород.
Для задания условий и ограничений оптимизации параметров открытой технологии ведения вскрышных и добыч-
ных работ, а также для реализации генетического алгоритма разработаны программные классы на языке программирования C#. Разработка классов осуществлена с помощью объектно-ориентированного подхода. Диаграмма классов генетического алгоритма представлена на ри^ 2.
Основным классом алгоритма является Genoms, в котором хранится вся информация о технико-организационных параметрах открытой технологии, а также показатели эффективности технологии — производительность и удельная стоимость экскавации и транспортировки горных пород. Также класс реализует основные операции генетического алгоритма: мутацию и расчёт показателей
Риc. 2. Диаграмма классов генетического алгоритма Fig. 2. Class diagram of a genetic algorithm
эффективности. Класс Genoms связан один-ко-многим с классом UZaboyas, в котором содержится информация об используемых экскаваторах (класс Excavators), параметрах забоя (класс QuarryFaces), а также технико-организационные параметры транспортировки горной массы (класс SamosvNaPutis). Последний класс содержит информацию о количестве и моделях самосвалов (класс Samosvals), используемых в данном технико-организационном варианте, а также маршрутах (класс Routes) и связанных с ними пунктах разгрузки (класс UnloadPoints) и участков трасс (класс Uchastoks). Для классов, содержащих информацию о горных машинах — автосамосвалах и экскаваторах — реализованы методы расчёта стоимости экскавации и транспортировки одной тонны горной породы.
Все это в совокупности позволяет автоматически определять оптимальный вариант сочетания параметров ЭАК для заданных пользователем условий проведения экспериментов, горнотехнических условий эксплуатации и физико-механических свойств горных пород. Оптимизация параметров ЭАК осуществляется по следующему алгоритму, рис. 3 [10].
На первом шаге оптимизации создаётся крупное число кортежей параметров технологии с применением экскаваторов и автосамосвалов (более 100 штук). Параметры, заданные пользователем в интерфейсе (такие, как параметры забоя, пунктов разгрузки и трасс, ограничения, свойства горных пород), копируются в созданные кортежи. Технико-организационные параметры технологии с применением экскаваторов и автосамосвалов для каждого кортежа присваиваются случайным образом, основываясь на базе данных горных машин. Этими параметрами являются модели и коли-
чество используемых экскаваторов и автосамосвалов для каждого забоя.
На втором шаге оптимизации происходит рекомбинация параметров. Число кортежей увеличивается в 2 раза, при этом новые кортежи генерируются как сочетание параметров уже существующих кортежей. Это позволяет реализовать принцип эволюции параметров, заложенный в алгоритме.
На третьем шаге для каждого кортежа параметров технологии с применением экскаваторов и автосамосвалов происходит оценка его суточной производительности и удельных затрат на экскавацию и транспортировку. Оценка суточной производительности каждого кортежа параметров происходит с помощью имитационного моделирования в среде GPSS World, что позволяет повысить точность расчёта за счёт учёта вероятностной длительности процессов и динамики открытой технологии.
На четвёртом шаге алгоритма все кортежи сортируются по значению комплексного мультипликативного критерия оптимизации в агрегированном виде. Половина из них, обладающих наименьшими значениями критерия, удаляются из расчётов.
На пятом шаге алгоритма в некоторых кортежах происходит рекомбинация параметров: некоторым параметрам случайным образом присваиваются новые значения.
Шаги 2 — 5 повторяются до тех пор, пока среднее значение критерия оптимизации всех кортежей параметров открытой технологии не перестанет расти. В этом случае работа «Блока оптимизации» останавливается, а пользователю выводится технико-организационная структура открытых горных работ и оптимальные параметры ЭАК.
Информация об автосамосвалах и экскаваторах, а также их параметрах,
Рис. 3. Алгоритм оптимизации параметров карьерных ЭАК с применением генетического алгоритма
Fig. 3. The algorithm for optimizing the parameters of mining excavator-dump truck complexes using a genetic algorithm
находится в созданной с помощью SQL Server Management Studio реляционной базе данных Microsoft SQL Server Express, откуда импортируется в систему моделирования с учётом горнотехнических параметров вскрышных и добычных работ.
В «Модуле визуализации» для связи анимации с имитационной моделью в последнюю добавляются команды вывода в текстовый файл специальные строки управления. Далее скрипт, написанный на языке C#, считывает, обрабатывает данные из этого текстового файла и двигает объекты в среде Unity 3D, выводит параметры и строит графики изменения параметров элементов системы (забоев, горных машин, пунктов разгрузки).
Обсуждение результатов
С использованием разработанной компьютерной системы проведены
имитационные эксперименты и сформулированы предложения по выбору оптимальных параметров ЭАК применительно к условиям угольного разреза Кузбасса ООО СП «Барзасское товарищество» (Кузбасс). Исследовалась работа двух вскрышных забоев от которых порода транспортируется автосамосвалами на Отвал №3. Для проведения исследований в компьютерную систему вводились основные горнотехнические условия разработки и физико-механические свойства горной породы. Значения коэффициентов наполнения ковша экскаватора и использования грузоподъемности принимались в соответствии с рекомендациями авторов для условий, схожих с условиями ООО СП «Барзасское товарищество» [22]. Учитывались вероятностные простои по организационным и техническим причинам. Для экскаваторов: отсутствие автосамосвалов, выходы из строя
Таблица 2
Принятые ограничения при проведении экспериментов Accepted limitations when carrying out experiments
Параметр, ед. изм. Значения
Вместимость ковша, м3 6,5-35
Число ковшей разгружаемых экскаватором в кузов автосамосвала, шт. 3-10
Грузоподъемность автосамосвала, т 90-240
Количество автосамосвалов закрепленных за экскаватором, шт. 1-20
Максимальные допустимые удельные затраты на транспортирование и погрузку горных пород, руб/т 12
Минимальная суточная эксплуатационная производительность, тыс. т/сут. 80
Весовой коэффициент суточной эксплуатационной производительности 0,5
Весовой коэффициент удельных затрат на погрузку и транспортирование горных пород.
Максимальная скорость движения автосамосвалов на всех участках трассы, км/ч 22
Таблица 3
Результаты экспериментов поиска оптимальных параметров с учетом простоев горных машин The experimenting results for searching optimal parameters taking into account the mining machines downtime
Параметр, ед.изм. Значение
Вскрышной забой №1 Вскрышной забой №2
Вместимость ковша, м3 27 27
Максимальный радиус черпания экс- 20,9 21,78
каватора, м
Максимальная высота черпания экс- 20,6 15,56
каватора, м
Подходящие под заданные параметры Hitachi EX 5500 Caterpillar 7295
модели экскаваторов
Грузоподъемность автосамосвалов, 90 (4), 91 (1), 136 (2), 156,9 (1), 221 (1), 180 (1),
т (Количество автосамосвалов 130 (1) 149 (2), 231 (1), 240 (1),
закрепленных за экскаватором, шт.) 181 (1), 130 (2)
Вес тары, т 70-113 100-164
Минимальный радиус разворота авто- 10,9-16,6 12-15,1
самосвала, м
Подходящие под заданные параметры БелАЗ-7557, БелАЗ- Hitachi EH 3000,
модели автосамосвалы 7513, БелАЗ-7518,
CaterpiUar 777D БелАЗ-7531, БелАЗ-7513, Komatsu HD-1500-5, Komatsu HD-830E
Суточная эксплуатационная 165,49
производительность, тыс. т/сут.
Удельные затраты 9,72
на транспортирование и погрузку
горных пород, руб/т
Таблица 4
Сравнение показателей эффективности участка разреза ООО СП «Барзасское товарищество», полученных разными методами
The comparison of the open-pit mine section of OOO SP «Barzasskoye tovarishchestvo» performance indicators obtained by different methods
Параметр, ед. изм. Диспетчерский отчет Компьютерная система Отклонение, %
ф,тыс. т/сут. 96,09 165,49 41,8
С, руб/т 10,88 9,72 10,7
электрооборудования, механической и ходовой частей. Для автосамосвалов: выходы из строя двигателя внутреннего сгорания, гидросистемы, механической части и ожидание погрузки/разгрузки. Плановые простои — прием-передача смены. Длительность выполнения основных технологических процессов ЭАК, скорости движения автосамосвалов, а также периодичность возникновения и продолжительность вероятностных простоев распределены по Гамма закону [23].
При поиске оптимальных параметров ЭАК моделировался период 3 месяца. При этом были приняты ограничения, представленные в табл. 2.
Результаты поиска оптимальных параметров ЭАК представлены в табл. 3.
Из табл. 3 видно, что применение полученных значений параметров обеспечит максимальную производительность ЭАК с двух забоев 165,49 тыс. т/ сут. при удельных затратах на экскавацию и транспортировку 9,72 руб/т.
Согласно данным, полученным с диспетчерских отчетов автоколонн разреза ООО СП «Барзасское товарищество», при использовании на вскрышном забое №1 девяти автосамосвалов грузоподъемностью 130 т, закрепленных за экскаватором ЭКГ-10, а также двенадцати автосамосвалов грузоподъемностью 130 т во вскрышном забое №2, закрепленных за экскаватором Hitachi EX-1900, суммарная суточная эксплуатационная производительность
с двух забоев составляет 96,09 тыс.т/ сут. при удельных затратах на погрузку и транспортирование горной породы 10,88 руб/т, табл. 4.
Таким образом, применение рекомендуемых значений параметров, полученных при помощи, разработанной компьютерной системы имитационного моделирования, позволит увеличить суточную эксплуатационную производительность ЭАК на 41,8%, при сократив удельные затраты на погрузку и транспортирование горных пород на 10,7%.
Заключение
Применение разработанной компьютерной системы может быть полезным проектным организациям и позволит пользователю оптимизировать состав ЭАК для заданных горнотехнических условий эксплуатации посредством имитационного моделирования совместной работы горных машин с учетом их вероятностных простоев и динамики ведения работ, генетической оптимизации вариантов сочетаний параметров ЭАК и выбирать оптимальное решение на основе оценки производительности ЭАК, а также удельных затрат на погрузку и транспортирование горных пород.
Вклад авторов
Кузнецов И. С. — анализ и обработка хронометражных данных, построение имитационных моделей, проведение
экспериментов и анализ результатов, написание текста статьи;
Зиновьев В. В. — постановка задачи исследования, разработка концепции компьютерной системы имитационного моделирования, систематизация материала, корректировка текста статьи;
СПИСОК ЛИТЕРАТУРЫ
Николаев П. И. — программная реализация компьютерной системы имитационного моделирования;
Стародубов А. Н. — разработка имитационных моделей.
Авторы заявляют об отсутствии конфликта интересов.
1. Иващенко Э. А., Овешников Ю. М., Авдеев П. Б., Субботин Ю. В. Горнотранспортный вскрышной комплекс Зашуланского угольного разреза // Горный информационно-аналитический бюллетень. - 2021. - №3-2. - С. 90-98. DOI: 10.25018/0236_1493_2021_32_0_90
2. Дрыгин М. Ю. Пути повышения производительности экскаваторного парка Кузбасса //Горное оборудование и электромеханика. - 2021. - №1. - С. 9-17. DOI: 10.26730/1816-4528-2021-1-9-17
3. Герике П. Б. О едином диагностическом критерии для выявления дефектов электрических машин по параметрам механических колебаний // Известия Уральского государственного горного университета. - 2019. - №2 (54). - С. 100-106.
4. Бабокин Г. И. Оценка влияния технических параметров, условий и режима работы одноковшового экскаватора на эксплуатационную энергоэффективность // Горный информационно-аналитический бюллетень. - 2019. - № 11. - С. 199-207. DOI: 10.25018/02361493-2019-11-0-199-207.
5. Федотенко В. С. Выбор комплексов горного и транспортного оборудования для разработки высокого вскрышного уступа // Вестник Кузбасского государственного технического университета. - 2012. - №2. - С. 31-36.
6. Воронов А. Ю. Оптимизация эксплуатационной производительности экскава-торно-автомобильных комплексов разрезов: Автореф. дис. канд. техн. наук - Кемерово: КузГТУ, 2015. - 19 с.
7. Курганов В. М., Гоязнов М. В., Колобанов С. В. Оценка надежности функционирования экскаваторно-автомобильных комплексов на карьере // Записки горного института. - 2020. - T. 241. - С. 10-21. D0I:10.31897/PMI.2020.1.10
8.Воронов А. Ю., Хорешок А. А., Воронов Ю. Е., Буянкин А. В., Воронов А. Ю. Оценка качества работы экскаваторно-автомобильных комплексов разрезов Кузбасса // Горное оборудование и электромеханика. - 2020. - № 2. - С. 19-26. DOI: 10.26730/18164528-2020-2-19-26
9. Зиновьев В. В., Кузнецов И. С., Стародубов А. Н. Исследование человеко-машинного управления автосамосвалами в составе экскаваторно-автомобильного комплекса с применением имитационного моделирования // Уголь. - 2021. - №7. - С. 9-12. DOI: 10.18796/0041-5790-2021-7-9-12
10. Кузнецов И. С., Зиновьев В. В., Николаев П. И., Кузнецова А. В. Специализированная компьютерная система имитационного моделирования для исследования параметров открыто-подземной геотехнологии // Сборник трудов десятой всероссийской научно-практической конференции по имитационному моделированию и его применению в науке и промышленности «Имитационное моделирование. Теория и практика» (ИММОД 2021). - 2021. - С. 243-249
11. Paredis R., Van Mielro S., Vangheluwe H. Translating process interaction world view models to devs: GPSS to (Python(p))devs. Winter simulation conference (WSC), 2020, pp. 2221-2232. D0I10.1109/WSC48552.2020.9383952.
12. Абу-Абед Ф. Н., Мартынов Д. В., Сергиенко С. В., Кордюков Р. Ю. Имитационная модель оценки производительности ремонтно-диагностического комплекса // Программные продукты и системы. - 2015. - №5. - С. 107-116. DOI:10.15827/0236-235X.109.107—116
13. Zhukov Y. I., Khutornaia E. V. Simulation of organizing and carrying out of repair for ship engineering products. IOP Conference Series: Materials Science and Engineering, 2019, vol. 560, no. 1, pp. 1-5. [In Russ]. DOI:10.1088A757-899XA60/1/012025
14. Grober T., Grober O. Modeling of an interactive distance learning platform by means of modern information technologies. E3S Web of Conferences, 2021, vol. 273, pp. 1-11. [In Russ]. DOI: 10.1051/e3sconf/202127312006.
15. Supriyo R., Mohanty R. P. Optimizing a production plan for underground coal mining: A genetic algorithm application. International Journal of Operational Research, 2021, vol. 41, no. 3, pp.423-445. DOI: 10.1504/IJ0R.2021.116264.
16. Wang H., Tonorio V., Li G. Q., Hou J., Hu N. L. Optimization of trackless equipment scheduling in underground mines using genetic algorithms. Mining metallurgy & exploration, 2020, no. 5, pp. 1531-1544. DOI:10.1007/s42461-020-00285-8.
17. Williams J., Singh J., Kumral M., Ruiseco JR. Exploring Deep Learning for Dig-Limit Optimization in Open-Pit Mines. Natural Resources Research, 2021, vol. 30, no. 3, pp. 2085-2101. DOI:10.1007/s11053-021-09864-y.
18. Zahmani M. H., Atmani B. Multiple dispatching rules allocation in real time using data mining, genetic algorithms, and simulation. Journal of Scheduling, 2020, vol. 24, no. 2, pp. 175-196. DOI: 10.1007/s10951-020-00664-5.
19. Paithankar A., Chatterjee S., Goodfellow R., Asad M. W. A. Simultaneous stochastic optimization of production sequence and dynamic cut-off grades in an open pit mining operation. Resources Policy, 2020, vol. 66, pp. 1-13. DOI:10.1016/j. resourpol.2020.101634.
20. Зак Ю. А. Прикладные задачи многокритериальной оптимизации. - М.: Экономика, 2014. - 455 с.
21. Белов В. В., Лопатин А. К. Оригинальная свертка двух критериев для задач выбора наилучшего варианта // Современные наукоемкие технологии. - 2019. -№8. - С.14-19. DOI: 10.17513/snt.37623.
22. Макаров В. Н., Анистратов К. Ю. Достижение наивысших рекордных показателей месячной производительности экскаваторов ЭКГ-18 на разрезах ЗАО «Стройсер-вис» // Уголь. - 2019. - № 1. - C. 20-26. DOI:10.18796/0041-5790-2019-1-20-26.
23. Кузнецов И. С., Зиновьев В. В., Кузнецова А. В. Повышение точности и достоверности идентификации законов распределения хронометражных данных при моделировании экскаваторно-автомобильных комплексов // Вестник Кузбасского государственного технического университета. - 2021. - №3. - С. 113-119. DOI: 10.26730/1999-41252021-3-113-119. EES
REFERENCES
1. Ivashhenko J. A., Subbotin Ju. V., Oveshnikov Ju. M., Avdeev P. B. Overburden stripping and transport machinery at Zashulan coal mine. MIAB. Mining Inf. Anal. Bull. 2021;(3-2):90-98. [In Russ]. DOI: 10.25018/0236_1493_2021_32_0_90.
2. Drygin M. Yu. Solutions for improving productivity of excavating vehicle fleet of Kuzbass. Mining Equipment and Electromechanics. 2021, no. 1, pp. 9-17. [In Russ] DOI: 10.26730/1816-4528-2021-1-9-17
3. Gericke P. B. About the unified diagnostic criteria for detecting defects in electrical machines according to the parameters of mechanical vibrations. News of the Ural State Mining University, 2019, vol. 2(54), pp. 100-106. [In Russ] https://doi.org/L0.21440/2307-2091-2019-2-100-106
4. Babokin G. I. Influence of technical parameters, work conditions and operating mode on energy efficiency of single-bucket exactor. MIAB. Mining Inf. Anal. Bull. 2019;(11):199 — 207 [In Russ]. DOI: 10.25018/02361493-2019-11-0-199—207.
5. Fedotenko V. S. Selecting mining and transporting equipment complexes for developing high overburden bench. Bulletin of the Kuzbass State Technical University, 2012, no. 2, pp. 31 — 36. [in Russ].
6. Voronov A. Ju. Optimization of exploitation productivity of excavating vehicle complexes of open-pit mines. Author's abstract, Kemerovo, KuzSTU, 2015, 191 p. [in Russ]
7. Kurganov V. M., Gryaznov M. V., Kolobanov S. V. Estimating the functioning reliability of excavating vehicle complexes at the open-pit mine. Journal of Mining Institute,
2020, vol. 241, pp. 10—21. [in Russ]. D0I:10.31897/PMI.2020.1.10.
8. Voronov A. Ju., Khoreshok A. A., Voronov Ju. E., Bujankin A. V., Voronov A. Ju. Assessment of the operation quality of shovel-truck systems at open-pit coal mines in Kuzbass. Mining Equipment and Electromechanics, 2020, no. 2, pp. 19—26. [in Russ]. DOI: 10.26730/1816-4528-2020-2-19—26.
9. Sinoviev V. V., Kuznetsov I. S., Starodubov A. N. Researching man-computer control of dumping trucks included into excavating vehicle complexes applying simulation, Ugol',
2021, no.7, pp. 9 — 12. [in Russ]. DOI: 10.18796/0041-5790-2021-7-9 — 12.
10. Kuznetsov I. S., Sinoviev V. V., Nikolayev P. I., Kuznetsova A. V. Simulation modeling specialized computer system for researching open and underground geotechnology parameters. Proceedings of the Tenth All-Russian Scientific and Practical Conference on Simulation modeling and its application in Science and Industry "Simulation modeling. Theory and Practice", 2021, pp. 243—249.
11. Paredis R., Van Mielro S., Vangheluwe H. Translating process interaction world view models to devs: GPSS to (Python(p))devs. Winter simulation conference (WSC), 2020, pp. 2221 — 2232. DOI:10.1109/WSC48552.2020.9383952.
12. Abu-Abed F. N., Martynov D. V., Sergiyenko S. V., Kordyukov R. Yu. Simulation model for estimating productivity of repairing and diagnostic complexes. Programmniye produkty i systemy, 2015, no. 5, pp. 107—116. [in Russ]. DOI:10.15827/0236 — 235X.109.107—116
13. Zhukov Y. I., Khutornaia E. V. Simulation of organizing and carrying out of repair for ship engineering products. IOP Conference Series: Materials Science and Engineering,
2019, vol. 560, no. 1, pp. 1—5. [In Russ]. DOI:10.1088/L757—899X/560/1/012025
14. Grober T., Grober O. Modeling of an interactive distance learning platform by means of modern information technologies. E3S Web of Conferences, 2021, vol. 273, pp. 1—11. [In Russ]. DOI: 10.1051/e3sconf/202127312006.
15. Supriyo R., Mohanty R. P. Optimizing a production plan for underground coal mining: A genetic algorithm application. International Journal of Operational Research, 2021, vol. 41, no. 3, pp.423 — 445. [In Russ]. DOI: 10.1504/IJOR.2021.116264.
16. Wang H., Tonorio V., Li G. Q., Hou J., Hu N. L. Optimization of trackless equipment scheduling in underground mines using genetic algorithms. Mining metallurgy & exploration,
2020, no. 5, pp. 1531 — 1544. DOI:10.1007/s42461-020-00285-8.
17. Williams J., Singh J., Kumral M., Ruiseco JR. Exploring Deep Learning for Dig-Limit Optimization in Open-Pit Mines. Natural Resources Research, 2021, vol. 30, no. 3, pp. 2085 — 2101. DOI:10.1007/s11053—021 — 09864-y.
18. Zahmani M. H., Atmani B. Multiple dispatching rules allocation in real time using data mining, genetic algorithms, and simulation. Journal of Scheduling, 2020, vol. 24, no. 2, pp. 175 — 196. DOI: 10.1007/s10951-020-00664-5.
19. Paithankar A., Chatterjee S., Goodfellow R., Asad M. W. A. Simultaneous stochastic optimization of production sequence and dynamic cut-off grades in an open
pit mining operation. Resources Policy, 2020, vol. 66, pp. 1-13. D0I:10.1016/j. resourpol.2020.101634.
20. Zakh Ju.A. Applied tasks for multi-criterial optimization, Moscow, Economic, 2014, 455 p. [in Russ]
21. Belov V. V., Lopatin A. K. The original two criteria's convolution for the best option's choosing problem. Modern High Technologies, 2019, no. 8, pp. 14-19. [in Russ]. DOI: 10.17513/snt.37623.
22. Makarov V. N., Anistratov K. Ju. Achievement of the highest record indicators of the monthly production of EKG-18 excavators at open-pit mines of "Stroyservice" JSC. Ugol', 2019, no. 1, pp. 20-26. [In Russ]. DOI: 10.18796/0041-5790-2019-1-20-26
23. Kuznetsov I. S., Sinoviev V. V., Kuznetsova A. V. Increasing identification accuracy and reliability laws of distributing timing data while modeling excavating vehicle complexes. Bulletin of the Kuzbass State Technical University, 2021, no. 3, pp.113-119. [in Russ]. DOI: 10.26730/1999-4125-2021-3-113-119.
ИНФОРМАЦИЯ ОБ АВТОРАХ
Кузнецов Игорь Сергеевич — ведущий инженер, https://orcid.org/0000-0002-9127-7739, «ФИЦ УУХ СО РАН», 650000, Кемерово, пр-т. Советский, д. 18, Россия; e-mail: [email protected];
Зиновьев Василий Валентинович — канд. техн. наук, доцент, заведующий лабораторией, https://orcid.org/0000-0003-2945-7613, «ФИЦ УУХ СО РАН», 650000, Кемерово, пр-т. Советский, д. 18, Россия, e-mail: [email protected];
Николаев Петр Игоревич — ведущий инженер, https://orcid.org/0000-0003-3052-5177, «ФИЦ УУХ СО РАН», 650000, Кемерово, пр-т. Советский, д. 18, Россия, e-mail: [email protected];
Стародубов Алексей Николаевич — канд. техн. наук, доцент, старший научный сотрудник, https://orcid.org/0000-0002-7577-9210, «ФИЦ УУХ СО РАН», 650000, Кемерово, пр-т. Советский, д. 18, Россия, e-mail: [email protected]. Для контактов: Кузнецов И. С., e-mail: [email protected].
INFORMATION ABOUT THE AUTHORS
Kuznetsov I. S., Senior engineer, https://orcid.org/0000-0002-9127-7739, «FRC CCC SB RAS», 650000, Kemerovo, prosp. Sovetskey, 18, Russia, e-mail: [email protected]; Sinoviev V. V., Cand. Sci. (Eng.), docent, the Head of Laboratory, https://orcid.org/0000-0003-2945-7613, «FRC CCC SB RAS», 650000, Kemerovo, prosp. Sovetskey, 18, Russia, e-mail: [email protected];
Nikolayev P. I., Senior engineer, https://orcid.org/0000-0003-3052-5177, «FRC CCC SB RAS», 650000, Kemerovo, prosp. Sovetskey, 18, Russia, e-mail: [email protected]; Starodubov A. N., Cand. Sci. (Eng.), docent, senior researcher, https://orcid.org/0000-0002-7577-9210, «FRC CCC SB RAS», 650000, Kemerovo, prosp. Sovetskey, 18, Russia, e-mail: [email protected].
Corresponding author: Kuznetsov I. S., e-mail: [email protected].
Получена редакцией 14.01.2022; получена после рецензии 30.05.2022; принята к печати 10.05.2022. Received by the editors 14.01.2022; received after the review 30.05.2022; accepted for printing 10.05.2022.
