بهینه‌سازی محدوده کارگاه‌های استخراج معادن زیرزمینی با مدل برنامه‌ریزی عدد صحیح سه بعدی

با وجود اهمیت استخراج زیرزمینی در زنجیره تامین مواد معدنی، مسایل مهم طراحی این حوزه مانند طراحی کارگاه های استخراج، جانمایی بازکننده ها و برنامه ریزی تولید هنوز به شکل موثری حل نشده است و روش های موجود برای حل این مسایل، فرضیات و ساده سازی های فراوانی دارد. با هدف پر کردن بخشی از خلا موجود، یک مدل ریاضی برنامه ریزی عدد صحیح جدید برای طراحی بهینه کارگاه های استخراج زیرزمینی معرفی می شود. مدل ریاضی ارایه شده در جستجوی تعیین محدوده ای با ابعاد مجاز و با بیشترین ارزش اقتصادی ممکن است. از مهم‌ترین ویژگی های شاخص مدل پیشنهادی جدید می توان به تضمین ارایه جواب بهینه، تسریع زمان حل مساله، امکان اجرا بر روی مسایل بزرگ مقیاس و در نظر گرفتن قیود شاخصی مانند حداقل و حداکثر ابعاد کارگاه های استخراج داده های و  همچنین حداقل ضخامت لنگه های جانبی اشاره کرد. اعتبارسنجی های انجام شده بر روی یک مثال فرضی و همچنین یک معدن سرب و روی کاملا موفقیت آمیز بوده است. با اجرای مدل پیشنهادی جدید بر روی کانسار سرب و روی یاد شده محدوده‌ای شامل شش کارگاه استخراج به ارزش حدود 82 میلیون دلار در مدت زمان 592 ثانیه تعیین شده است.

an integer programming mathematical model for optimization of stope boundaries in underground mine operations

today, underground mining has a small share of mineral production worldwide. however, underground mining is expected to receive more attention soon due to the extraction of most surface deposits, increasing pit depth, and environmental issues. stope boundary optimization (sbo), development network, and production scheduling are three main problems in underground mine planning, which are affected by numerous shortcomings and oversimplifications. to overcome one of these shortcomings, a new integer linear programming (ilp) model has been introduced in this article to solve the sbo problem. the new proposed model guarantees an optimal solution and could accelerate problem-solving using an efficient variable reduction technique. implementing the new proposed model on a hypothetical example and accurate data confirmed its ability to produce robust solutions in a reasonable computation time. we strongly believe that further improvement in the solving process is still possible by using variable reduction, decomposition methods, or relaxation techniques.