PRODUCTION SETUP
Original Paper
UDC 004.896 © N.I. Limanova, M.I. Ivaev, N.V. Osanov, 2024
ISSN 0041-5790 (Print) • ISSN 2412-8333 (Online) • Ugol’ – Russian Coal Journal, 2024, № 9, pp. 67-69
DOI: http://dx.doi.org/10.18796/0041-5790-2024-9-67-69
Title
USING MACHINE LEARNING METHODS IN COAL LOGISTICS
Authors
N.I. Limanova, M.I. Ivaev, N.V. Osanov
Povolzhskiy State University of Telecommunications and Informatics, Samara, 443111, Russian Federation, e-mail: nataliya.i.limanova@gmail.com
Authors Information
Limanova N.I. – Doctor of Engineering Sciences, Head of the Department of Information Systems and Technologies, Povolzhskiy State University of Telecommunications and Informatics, Samara, 443010, Russian Federation, e-mail: nataliya.i.limanova@gmail.com
Ivaev M.I. – Senior lecturer of the Department of Digital Economy, Povolzhskiy State University of Telecommunications and Informatics, Samara, 443010, Russian Federation, e-mail: ivaevmarat@yandex.ru
Osanov N.V. – Student of the Department of Information Systems and Technologies, Povolzhskiy State University
of Telecommunications and Informatics, Samara, 443010, Russian Federation, e-mail: n_osanov@mail.ru
Abstract
This article considers the possibilities of using machine learning methods in coal logistics. The article describes the main problems faced by companies operating in this field and shows how machine learning methods can help solve these problems. Particular attention is paid to routing algorithms that allow you to optimize the delivery of coal and reduce logistics costs. The main problems solved with the help of machine learning are described. The main machine learning algorithms used to solve these problems, such as the genetic optimization
algorithm and the reinforcement learning method, are also considered. The advantages and limitations of using these methods are discussed.
Keywords
Logistics, machine learning, model, artificial intelligence, event forecast, optimization, optimality, algorithm.
References
1. Кузьмина А.О., Чернегов Н.Ю., Карпенко Н.В. Экономическая оценка развития логистической инфраструктуры экспортно ориентированных угольных компаний. // Уголь. 2021. № 4. С. 48-51. dOI: 10.18796/0041-5790-2021-4-48-51. Kuzmina a.O., Chernegov N.yu., Karpenko N.V. Economic assessment of logistics infrastructure development of export-oriented coal companies. Ugol’. 2021;(4):48-51. (Inruss.). dOI: 10.18796/0041-57902021-4-48-51.
2. Оптимизация производственно-логистической системы угледобывающих предприятий с помощью имитационного моделирования / В.В. Агафонов, А.В. Скрипка, В.В. Яхеев и др. // Уголь. 2022. № 5. С. 68-71. dOI: 10.18796/0041-5790-2022-5-68-71. agafonov V.V., Skripka a.V., yakheev V.V., Kabirov M.P., gurkov a.a., Snigirev V.V. Optimization of the production and logistics system of underground mines using simulation modeling. Ugol’. 2022;(5): 68-71. (In russ.). dOI: 10.18796/0041-5790-2022-5-68-71.
3. Капаца Е. Машинное обучение доступным языком. 2023. С. 60.
4. Искусственный интеллект в горнодобывающей промышленности: новые возможности и преимущества. [Электронный ресурс]. url: https://cyberleninka.ru/article/n/iskusstvennyy intellekt v gornodobyvayuschey promyshlennosti novye vozmozhnostiipreimuschestva (дата обращения: 15.08.2024).
5. andrew Wolf. the Machine learning Simplified: a gentle Introduction to Supervised learning, 2022. pp. 199.
6. Исследование аномальных показателей процесса коксования углей на основе машинного обучения. [Электронный ресурс]. url: режим доступа https://vestnik.sibsiu.ru/index.php/vestnik/article/ view/320 (дата обращения: 15.08.2024).
7. Валиаппа Л., Сара Р., Мунн М. Машинное обучение. Паттерны проектирования. Подготовка данных, создание моделей, внедрение в производство. СПб.: БХВ-Петербург, 2022. 436 с.
8. Главные плюсы от цифровизации в угольной промышленности лежат в логистике. [Электронный ресурс]. url: https://www.jetinfo.ru/interviews/suekvadimpestunmainadvantagesforcoalindustrydigitizationinlogisticstechnologies/ (дата обращения: 15.08.2024).
9. Цифровой горняк: угольщики Кузбасса дадут нейросети доступ к производству. [Электронный ресурс]. url: режим доступа https://rg.ru/2023/08/22/reg-sibfo/cifrovoj-gorniak-ugolshchikikuzbassa-dadut-nejroseti-dostup-k-proizvodstvu.html (дата обращения: 15.08.2024).
For citation
Limanova N.I., Ivaev M.I., Osanov N.V. Using machine learning methods in coal logistics. Ugol. 2024;(9):67-69. (In Russ.). DOI: 10.18796/0041-5790-2024-9-67-69.
Paper info
Received June 25, 2024
Reviewed August 15, 2024
Accepted August 26, 2024