ارزیابی شاخص عملکرد اقتصادی برای ماشین‌آلات ناوگان ترابری معادن روباز

نوع مقاله : علمی-پژوهشی

نویسندگان

1 کارشناسی ارشد، گروه مهندسی مکانیک سنگ، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود

2 دانشیار، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود

3 استادیار، دانشکده مهندسی معدن، دانشگاه صنعتی سهند، تبریز

4 کارشناسی ‌ارشد، گروه مهندسی استخراج معدن، مدیریت فنی و مهندسی شرکت آرمان‌گهر سیرجان، کرمان

چکیده

بارگیری و باربری بالاترین سهم را در هزینه‌های تولیدی معادن روباز به خود اختصاص می‌دهند، بنابراین در انتخاب ناوگان ماشین-آلات بارگیری و باربری ضروری است که به جنبه‌های اقتصادی توجه ویژه‌ای شود. برای درک بهتر از عملکرد اقتصادی ماشین‌آلات ترابری معادن، تاکنون شاخص‌های عملکردی گوناگونی توسط محققان ارایه شده است. در این پژوهش، شکل ویژه‌ای از شاخص عملکرد اقتصادی ارایه شده که بیان‌گر نسبت مقدار درآمد تحصیل شده به وسیله هر یک از ماشین‌آلات بر هزینه کل است. به این منظور با تمرکز بر روی ناوگان بارگیری و حمل در یک معدن روباز مشتمل بر 87 کامیون معدنی (64 عدد ماشین 100 تنی و 23 عدد ماشین 36 تنی) و همچنین 18 ماشین بارکننده (13 عدد بیل مکانیکی و 5 عدد شاول) به ارزیابی شاخص عملکرد اقتصادی ماشین‌آلات ناوگان ترابری یاد شده پرداخته شده است. به این منظور، در ابتدا هزینه کل و میزان درآمد حاصل از عملکرد هر یک از ماشین‌آلات با توجه به اطلاعات اقتصادی در دسترس برای هر ماشین، مشخص شده است، سپس شاخص عملکرد اقتصادی برای هر یک از ماشین‌آلات باربری و بارگیری محاسبه و با یکدیگر مقایسه شده است. نتایج نشان می‌دهند که بیل‌های مکانیکی به دلیل داشتن ظرفیت پایین و کم بودن زمان تعمیرپذیری آن‌ها نسبت به شاول‌ها‌، عملکرد بهتری دارند. علاوه بر این، با بررسی برند ماشین‌های مختلف مشخص شد که کامیون‌های سری C 100 بهترین عملکرد را در بین کل کامیون‌های باربری داشته و مقدار شاخص عملکرد آن به طور متوسط برای هر یک از آن کامیون‌ها 82/2 است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of the Economic Performance Index for Loading and Hauling Fleet in Open-Pit Mines

نویسندگان [English]

  • M.R. Akbarzadeh 1
  • S.E. Jalali 2
  • A. Khademian 3
  • M.A. Nabizadeh 4
1 M.Sc, Faculty of Mining, Petroleum & Geophysics Engineering, Shahrood University of Technology, Shahrood, Iran
2 Associate Professor, Faculty of Mining, Petroleum & Geophysics Engineering, Shahrood University of Technology, Shahrood, Iran
3 Assistant Professor, Faculty of Mining Engineering, Sahand University of Technology, Tabriz, Iran
4 M.Sc, Engineering Office Arman Gohar Sirjan Company Sirjan, Kerman, Iran
چکیده [English]

Loading and hauling operations have the highest share of the production costs of open-pit mines. Therefore, in choosing the loading and hauling machines, paying attention to the economic aspects is necessary. For a better understanding of the financial performance of mining machinery, various performance indicators have been proposed by researchers. This research presents a special form of economic performance index, which indicates the ratio of each machine's revenue to its total cost. For this purpose, the cost and revenue of the transport fleet, including dump trucks, mining shovels, and backhoe excavators, were collected for two years (From September 2017 to September 2019) and determined. As the first step, the total cost and the amount of revenue from the operation of each machine then, the Economic Performance Index (EPI) for each of the loading and hauling machines is calculated and compared with each other. The results show that Backhoe excavators perform better than mining shovels. In addition, by examining different trucks from different manufacturers, it was found that C100 series trucks have the best performance among all trucks. Its average economic performance index value for each of those trucks is 2.82.

کلیدواژه‌ها [English]

  • Open-pit mines
  • loading and hauling machinery
  • Economic performance index
  • Revenue
  • Cost

مراجع

  1. Boehm, B. W. (1984). “Software engineering economics”. IEEE Transactions on Software Engineering, 1: 4-21.
  2. Zhang, Y. F., and Fuh, J. Y. H. (1998). “A neural network approach for early cost estimation of packaging products”. Computers & Industrial Engineering, 34(2): 433-450.
  3. Ben-Arieh, D., and Qian, L. (2003). “Activity-based cost management for design and development stage”. International Journal of Production Economics, 83(2): 169-183.
  4. Shehab, E. M., and Abdalla, H. S. (2001). “Manufacturing cost modeling for concurrent product development”. Robotics and Computer-Integrated Manufacturing, 17(4): 341-353.
  5. Shehab, E. M., and Abdalla, H. S. (2002). “A design to cost system for innovative product development”. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 216(7): 999-1019.
  6. Roy, R. (2003). “Cost engineering: why, what, and how?”. Cranfield University, pp. 39.
  7. Cavalieri, S., Maccarrone, P., and Pinto, R. (2004). “Parametric vs. neural network models for the estimation of production costs: A case study in the automotive industry”. International Journal of Production Economics, 91(2): 165-177.
  8. Niazi, A. (2008). “Product and Manufacturing Cost Estimation: Theoretical Development and Industrial Validation (Doctoral dissertation, King’s College London)”. Ph.D Thesis.
  9. Niazi, A., Dai, J. S., Balabani, S., and Seneviratne, L. (2006). “Product cost estimation: Technique classification and methodology review”. Journal of Manufacturing Science and Engineering-Transactions of the Asme, 128(2): 563-575. DOI: https://doi.org/10.1115/1.2137750.
  10. Curran, R., Raghunathan, S., and Price, M. (2004). “Review of aerospace engineering cost modeling”. The Genetic Causal Approach Progress in Aerospace Sciences, 40(8): 487-534.
  11. Caputo, A. C., and Pelagagge, P. M. (2008). “Parametric and neural methods for cost estimation of process vessels”. International Journal of Production Economics, 112(2): 934-954.
  12. Mular, A. L. (1982). “Mining and mineral processing equipment costs and preliminary capital cost Estimation”. Canadian Institute of Mining and Metallurgy (Montreal), CIM Special, 25: pp. 265.
  13. USBM, (1987). “US Bureau of mines cost estimating system handbook”. Mining and beneficiation of Metallic and nonmetallic minerals expected fossil fuels in the United States and Canada. United States Bureau of Mines, Open-file report 10-87, Denver, Colorado.
  14. O’Hara, T. A. (1980). “Quick guide to the evaluation of ore bodies”. CIM Bulletin, 88: 34-43.
  15. Noakes, M., and Lanz, T. (1993). “Cost estimation handbook for the Australian mining industry”. Australasian Institute of Mining and Metallurgy, pp. 412.
  16. Western Mining Engineering Institute, (2002). “Mine and Mill Equipment; an estimator guide”. Aventurine, USA.
  17. Hartman, H. L., and Mutmansky, J. M. (2002). “Introductory mining engineering”. John Wiley & Sons.
  18. Noakes, M., and Lanz, T. (1993). “Cost estimation handbook for the Australian mining industry”. Political Science. DOI: 10.1016/0148-9062(94)91320-x.
  19. Lowrie, R. L. (Ed.). (2002). “SME mining reference handbook”. Society for Mining, Metallurgy, and Exploration, pp. 464.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 23 آذر 1400
  • تاریخ بازنگری: 19 اسفند 1400
  • تاریخ پذیرش: 24 اسفند 1400

هم رسانی

ارجاع به این مقاله

آمار