بهینه سازی شبیه سازی چند هدفه سیستم بارگذاری بیل مکانیکی-کامیون برای استخراج سنگ‌های معدنی

سیستم بارگذاری بیل کامیون یکی از مهمترین اجزای حمل و نقل در یک معدن روباز است. برای ارزیابی عملکرد سیستم بیل کامیون، رویکرد مدلسازی شبیه سازی با روش‌های فراابتکاری ترکیب شده است و یک رویکرد مناسب برای مطالعه و بهینه‌سازی رفتار پیچیده چنین سیستمی تبدیل شده است. هدف از این مطالعه شناسایی تعداد تقریبی بهینه کامیون و بیل در سیستم اعزام تجهیزات در معدن مس سرچشمه در استان کرمان برای افزایش بازده ماهانه و کاهش هزینه های حمل و نقل می باشد. دو الگوریتم بهینه‌سازی چندهدفه تکاملی، به نام‌های الگوریتم ژنتیک مرتب‌سازی غیرمسلط (nsga ii) و الگوریتم ژنتیک سریع پارتو (fastpga)، برنامه‌ریزی شده‌اند و با مدل شبیه‌سازی سیستم بیل کامیون توسعه‌یافته در بسته نرم‌افزاری arena به منظور انجام شبیه‌سازی، برنامه‌ریزی و ادغام شده‌اند. فرآیند بهینه سازی نتایج تجربی نشان می‌دهد که راه‌حل‌های تقریباً بهینه‌ای وجود دارد که می‌تواند میانگین هزینه حمل و نقل ماهانه را تا 10 درصد کاهش دهد و متوسط توان ماهیانه را تا 11 درصد افزایش دهد.

optimization of multi-objective simulation of excavator-truck loading system for mining minerals

the shovel truck loading system is one of the most important components of transportation in an open pit mine. to evaluate the performance of the excavator truck system, the simulation modeling approach is combined with meta heuristic methods and it has become a suitable approach to study and optimize the complex behavior of such a system. the purpose of this study is to identify the approximate optimal number of trucks and shovels in the equipment dispatch system in sarchesmeh copper mine in kerman province to increase monthly efficiency and reduce transportation costs. two evolutionary multi objective optimization algorithms, namely non dominated sorting genetic algorithm (nsga ii) and fast pareto genetic algorithm (fastpga), have been programmed and integrated with the shovel truck system simulation model developed in arena software package to perform simulation, programming and integration. . the optimization process of the experimental results shows that there are near optimal solutions that can reduce the average monthly transportation cost by 10% and increase the average monthly power by 11%.