بهينه سازي تخصيص قابليت اطمينان براي سيستم توليد معدن روباز با استفاده از الگوريتم ژنتيك

Reliability allocation optimization of open pit mine production system using genetic algorithms

دستيابي به اهداف برنامه ريزي توليد بلندمدت يا كوتاه مدت در معادن روباز نيازمند عملكرد مطلوب اجزاء سيستم عملياتي معدن است و هر يك از اين اجزاء بايد در سطح قابل قبولي از قابليت اطمينان قرار گيرند. به عبارت ديگر، خرابي و عملكرد نامطلوب هر يك از اجزاء سبب مشكلاتي از قبيل توقف عمليات معدن، هزينه، كاهش ايمني و بهداشت و همچنين اثرات مخرب محيطي بر معدن مي گردد. بنابراين، با بهبود قابليت اطمينان اجزاء سيستم توليدي معدن مي توان ريسك عمليات راكاهش داد. با اين حال، يكي از مهمترين چالش ها در اين خصوص هزينه بر بودن بهبود سطح قابليت اطمينان سيستم مي باشد. در واقع، بايد تناسب و توازن مناسبي ميان افزايش قابليت اطمينان زيرسيستم ها و افزايش هزينه بهبود سطح قابليت اطمينان برقرار گردد تا هم ريسك عملكرد نامطلوب عمليات كاهش يابد و هم هزينه ها به حداقل مقدار خود برسند. هدف از اين مقاله تجزيه و تحليل و بهينه سازي افزايش سطح قابليت اطمينان اجزاء سيستم توليدي در معادن روباز با هدف كمينه سازي تابع هزينه است. بدين منظور، از الگوريتم ژنتيك براي بهينه سازي پارامترهاي موجود در سيستم معدن استفاده شده است و حداكثر مقدار قابليت اطمينان براي هر يك از اجزاء در اين شرايط ارائه شده است.

Attaining the long and short term production planning goals of open pit mines depends on the desirable performance of the mining operation elements all of which should be in an acceptable level of reliability. In other words, deficiency and failure of each operational element may lead to interruption of the mining operation, increase of the costs, reduction of the safety and health or environmental issues. Thus, improvement of the reliability of the mining production system can mitigate the mining operational risks, however, this improvement is a complex and costly procedure and an appropriate balance should be kept between reliability allocation and its cost function in a way that both risks of the operation and cost function are minimized. The paper is aimed to find an optimum quantities of the reliability allocation regarding to the minimized cost function. In order to resolve the optimization problem, genetic algorithms have been applied to obtain and interpret the mining system parameters.