Maximizing Underground Mine Reserves Through a More Accurate Cost Model and the Application of Machine Learning

Santiago Xavier Valencia Morales, Nelson Morales, Michel Gamache

Article de revue (2026)

Accéder à ce document
Lien externe
Ce document n'est pas archivé dans PolyPublie, mais peut être consulté chez l'éditeur officiel
Voir chez l'éditeur officiel

Mots clés

Département:
Département de mathématiques et de génie industriel
Département des génies civil, géologique et des mines
Unité de recherche:
IRME - Institut de recherche en mines et environnement UQAT-Polytechnique
Organismes subventionnaires:
Intelligent and Autonomous Mine (IAM), Consortium de recherche et dinnovation en transformation me´tallique (CRITM), Industrial partners of the Research Institute on Mines and Environment (RIME), Natural Sciences and Engineering Research Council of Canada (NSERC)
Numéro de subvention:
FONCER 565188-2022, Project 2021 – 068, ALLRP 568607 – 21
Adresse URL de PolyPublie:
https://publications.polymtl.ca/74054/
Titre de la revue :
Natural Resources Research
Maison d'édition:
Springer Science+Business Media
DOI:
10.1007/s11053-026-10666-3
URL officielle:
https://doi.org/10.1007/s11053-026-10666-3
OAI:
oai:publications.polymtl.ca:74054
ORCID
Date du dépôt:
23 mars 2026 09:09
Dernière modification:
14 oct. 2026 14:35
Citer en APA 7:
Valencia Morales, S. X., Morales, N., & Gamache, M. (2026). Maximizing Underground Mine Reserves Through a More Accurate Cost Model and the Application of Machine Learning. Natural Resources Research, 17 pages. https://doi.org/10.1007/s11053-026-10666-3

Statistiques

Dimensions

Actions réservées au personnel

Afficher document
Afficher document