PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Możliwości wykorzystania sztucznych sieci neuronowych do identyfikacji macerałów grupy inertynitu

Identyfikatory
Warianty tytułu
EN
The possibility of using artificial neural networks to identification of inertinite macerals
Języki publikacji
PL
Abstrakty
PL
Opisane w niniejszej pracy badania są kontynuacją prac, których celem jest opracowanie uniwersalnej oraz powtarzalnej metodyki umożliwiającej automatyczną identyfikację grup macerałowych, a także poszczególnych macerałów węgla kamiennego. W pracy skupiono się na identyfikacji macerałów grupy inertynitu tj. fuzynitu, semifuzynitu, sklerotynitu, makrynitu, mikrynitu oraz inertodetrynitu, zgodnie z klasyfikacją według Stopes-Heerlen System. Sprawdzono możliwość wykorzystania do tego celu sztucznych sieci neuronowych. Do klasyfikacji analizowanych macerałów wykorzystano perceptron wielowarstwowy (MLP). Badania prowadzono na mikroskopowych zdjęciach zgładów węgla. Każdy z analizowanych w pracy macerałów opisano 4-wymiarowym wektorem cech. Wykazano, że automatyczne rozpoznanie macerałów grupy inertynitu z wykorzystaniem zaproponowanej w pracy metodyki jest możliwe, z wynikiem na poziomie 88% rozpoznań zgodnych z rozpoznaniami obserwatora – petrografa. Uzyskany rezultat wskazuje na duży potencjał sztucznych sieci neuronowych w badaniach petrograficznych węgla.
EN
The researches described in this paper are a continuation of work, aimed at developing a universal methodology that allows automatic identification maceral groups as well as individual coal macerals. The study focused on identifying inertinite macerals as classified by Stopes-Heerlen System. The study tested the possibility of using artificial neural networks for this purpose. In order to classify the macerals the Multilayer Perceptron (MLP) was used. Studies have been conducted on microscopic images of coal. Each maceral analyzed in the study was described in a 4-dimensional feature space. It was shown that the automatic recognition of inertinite macerals, using the proposed methodology, is possible with the score at 88% classification identical to the observer classifications. The result obtained shows the great potential of artificial neural network in coal petrography research.
Rocznik
Strony
91--97
Opis fizyczny
Bibliogr. 18 poz., rys., tab.
Twórcy
autor
  • Instytut Mechaniki Górotworu PAN; ul. Reymonta 27, 30-059 Kraków
  • Instytut Mechaniki Górotworu PAN; ul. Reymonta 27, 30-059 Kraków
Bibliografia
  • Bishop Ch., 1998: Neural Networks for Pattern Recognition. Clarendon Press, Oxford.
  • Goldsztejn P., Adamczyk-Lorenc A., Derkowska-Sitarz M., 2005: Zastosowanie sieci neuronowych w geologii – przykłady z literatury światowej. Prace Naukowe Instytutu Górnictwa Politechniki Wrocławskiej, nr 113, str. 63-73.
  • Gruszczyński W., 2007: Zastosowanie sieci neuronowych do prognozowania asymptotycznych odkształceń poziomych powierzchni wywołanych eksploatacją podziemną. Wydawnictwa AGH, Kraków.
  • ICCP (International Committee for Coal and Organic Petrology), 1975: International handbook of coal petrography. CNRS. 2nd Ed., 2nd Suppl., Paris.
  • ICCP (International Committee for Coal and Organic Petrology), 1985: International handbook of coal petrography. CNRS. Suppls to 2nd Ed., Univ. of Newcastle upon Tyne, England.
  • ICCP (International Committee for Coal and Organic Petrology), 1998: The new vitrinite classification (ICCP System 1994), Fuel, vol. 77, pp 349-58.
  • Manecki A., Muszyński M. (red.), 2008: Przewodnik do petrografii. Uczelniane Wydawnictwo Naukowo-Dydaktyczne AGH, Kraków.
  • Marmo R., Alodio S., Tagliaferri R., Ferreri V., Longo G., 2005: Textural identyfication of carbonate rocks by image processing and neural network: Methodology proposal and examples. Computers & Geosciences Vol. 31, Issue 5, 649-659.
  • Młynarczuk M., Godyń K., 2012: Wykorzystanie metod rozpoznawania obrazów do wspierania procesu decyzyjnego dotyczącego klasyfikacji węgla ze względu na wybrane cechy petrograficzne. Prace Instytutu Mechaniki Górotworu PAN, Tom 14, nr 1-4, s. 3-14.
  • Młynarczuk M., Godyń K., Aksamit J., 2013: Optymalizacja procesu automatycznej klasyfikacji cech strukturalnych węgla z obszarów zagrożonych wyrzutami gazów i skał opartego na metodach rozpoznawania obrazów. Prace Instytutu Mechaniki Górotworu PAN, Tom 15, nr 1-2, s. 85-93.
  • Młynarczuk M, Bielecka M, Ślipek B, 2014: Klasyfikacja mikroskopowych obrazów skał przy wykorzystaniu sieci neuronowych. Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN, Sympozja i Konferencje, nr 86, s. 27-38
  • Młynarczuk M, Godyń K, Skiba M 2015: Wykorzystanie sztucznych sieci neuronowych do klasyfikacji struktur odmienionych węgla kamiennego w strefach przyuskokowych. Przegląd Górniczy, n. 11, s 15-20.
  • Nowak G.J., 2012: Węgiel kamienny Dolnośląskiego Zagłębia Węglowego w obrazach mikroskopowych. Prace Państwowego Instytutu Geologicznego, Tom 197, Warszawa.
  • Olszewska K., Magnes C., Ziółkowski J., Kuhl J., 1965: Atlas petrograficzny górnośląskich kamiennych węgli humusowych. Główny instytut Górnictwa. Wydawnictwo Śląsk, Katowice. PN-ISO 7404-3, 2001: Metody analizy petrografi cznej węgla kamiennego (bitumicznego) i antracytu. Polski Komitet Normalizacyjny.
  • Rutkowski L., 2005: Metody i techniki sztucznej inteligencji. PWN, Warszawa.
  • Ryka W., Maliszewska A., 1991: Słownik petrografi czny. Wydawnictwa Geologiczne, Warszawa.
  • Skiba M., Młynarczuk M., 2015: Możliwości wykorzystania sztucznych sieci neuronowych w badaniach petrograficznych węgla kamiennego. 10. czesko-polska konferencja „Geologia Zagłębi Węglonośnych”, Documenta Geonica, Ostrava.
  • Tadeusiewicz R., 1998: Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. Akademicka Oficyna Wydawnicza, Warszawa.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-02ed4b09-c555-4ea4-a1a6-b4c2661f8311
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.