The application of modern techniques and measurement devices for identification of copper ore types and their properties

• Autorzy: Krawczykowska A. , Trybalski K. , Krawczykowski D.

Warianty tytułu

PL

Wykorzystanie nowoczesnych technik i urządzeń pomiarowych do identyfikacji typów rud miedzi i ich właściwości

• Języki publikacji: EN

Abstrakty

EN

The paper concerns the application of modern methods and research techniques for investigations of copper ore properties. It presents the procedure and tools which, when put together, can constitute a source of information on properties of different products of processing and, simultaneously, can be used in the process control and optimization. The copper ore of one of the branches of the KHGM Polska Miedz plc was investigated. The ore samples represented each of the three lithological types occurring in the Polish deposits, i.e. carbonate, shale and sandstone ores. The paper presents the results of microscopic analyses, image analysis of scanning photographs and application procedures of the obtained information for the identification of ore types (application of neuron networks to the recognition of lithological compositions). The present publication will present sample results of modelling of classification identifying two types of ores, i.e. carbonate-shale and sandstone. Summing up the predictions of ore type fractions in respective mixtures for the considered problem of classification it can be stated that the prediction results are good and confirm the lithological predominance of certain ore types in the investigated mixtures. The experimental part comprised the determination of mineralogical and lithological composition of ores (optical microscope) and also elemental composition in the microareas of analysed samples (scanning microscope). Next, the image analysis was performed and subsequently the models classifying the ore types were made.

PL

W rudzie miedzi przerabianej w zakładach wzbogacania O/ZWR KGHM Polska Miedź S.A. można wyróżnić trzy typy litologiczne: rudę węglanową, łupkową i piaskowcową. Typy te różnią się właściwościami między innymi takimi jak: rodzaj i zawartość minerałów miedzi, rodzaj minerałów nieużytecznych, zawartość miedzi, twardość i podatność na rozdrabnianie, ale także wielkością i kształtem ziaren minerałów miedzionośnych oraz rodzajem ich skupień i wpryśnięć. Niezwykle istotne jest właściwe rozpoznanie rudy pod względem petrograficzno-mineralogicznym. Znajomość właściwości przerabianej rudy pozwala na pełniejsze jej wykorzystanie poprzez właściwe prowadzenie i sterowanie procesami, dobór ich parametrów takich m.in. jak: czas mielenia, parametry klasyfikacji, rodzaj odczynników flotacyjnych, czas flotacji. W artykule przedstawiono wyniki przeprowadzonych analiz mikroskopowych, analizy obrazów zdjęć skaningowych oraz procedury wykorzystania otrzymanych informacji do identyfikacji typów rud (zastosowanie sieci neuronowych do rozpoznawania składów litologicznych). W badaniach wykorzystano rudę miedzi, pochodzącą z jednego z zakładów górniczych KGHM Polska Miedź S.A. Pobrane próbki rudy reprezentowały każdy z trzech typów litologicznych występujących w krajowych złożach: węglanową, łupkową oraz piaskowcową. Przeprowadzono ilościową analizę mineralogiczno-petrograficzną przy pomocy mikroskopu optycznego w świetle odbitym, a wyniki przedstawiono w tabelach 1 i 2. Wyniki te określają ilościowo stopień uwolnienia i zrosty dla jednego rodzaju minerału. Pokazano także przykładowe zdjęcia mikroskopowe zgładów poszczególnych typów litologicznych rud oraz próbek proszkowych tych typów (rys. 1 i 2). W kolejnym etapie badań wykorzystano skaningowy mikroskop elektronowy. Zdjęcia morfologii próbek uzyskane z mikroskopu elektronowego (obrazy SEM) były przedmiotem komputerowej analizy obrazu, umożliwiającej mikrostrukturalną klasyfikację ilościową typów rud. Analizowano wszystkie próbki poszczególnych typów litologicznych rudy miedzi: węglanowej, łupkowej i piaskowcowej oraz mieszanki tych typów w trzech klasach ziarnowych: 0÷45 μm, 45÷71 μm i 71÷100 μm. Celem przekształceń wykorzystanych w procedurze komputerowej analizy obrazu jest otrzymanie poprawnie posegmentowanego obrazu binarnego, który umożliwiałby wyróżnienie badanych obiektów - pojedynczych (poszczególnych) ziaren oraz tła, a następnie wykonanie pomiarów parametrów zbinaryzowanych obiektów. Spośród dużej ilości parametrów dostępnych w używanym oprogramowaniu do identyfikacji typów rud wybrano najważniejsze z punktu widzenia opisu ziaren. Obok parametrów opisujących podstawowe właściwości geometryczne tj. pole powierzchni, wysokość, szerokość, średnice Feret’a, oraz opisujących kształt ziaren, np. współczynniki wypełnienia, kolistości, wybrano parametry szarości obiektów. W tabeli 3 podano wartości statystyczne zmiennych wykorzystywanych w obliczeniach modelowych, dla jednego z materiałów. Do analizy uzyskanych danych wykorzystano sieci neuronowe. W niniejszej publikacji przedstawiono przykładowe wyniki modelowania dla zagadnienia klasyfikacji identyfikującego dwa typy rud: węglanowo-łupkową i piaskowcową. Połączenie rud: węglanowej i łupkowej w jeden typ ma swoje technologiczne uzasadnienie. Obliczenia modelujące wykonano przy użyciu komputerowego programu do modelowania Statistica Neural Networks firmy StatSoft. W tabeli 4 i 5 przedstawiono charakterystyki ostatecznych najskuteczniejszych modeli sieci neuronowych klasyfikujących typy rud. Ogólnie modele sieci neuronowych, realizujące zagadnienie klasyfikacji typów rud, charakteryzowały się wysoką jakością działania oraz małymi błędami sieci dla poszczególnych podzbiorów danych (uczącego, walidacyjnego i testowego). Świadczy to o ich wysokiej stabilności i pewności działania w przypadku uruchamiania sieci na nowych zbiorach danych. Weryfikacja zdolności predykcyjnych najskuteczniejszych modeli sieci neuronowych polegała na uruchomieniu sieci na nowych danych charakterystycznych dla poszczególnych mieszanek, oraz na porównaniu i ocenie uzyskanych przewidywań z rzeczywistymi udziałami poszczególnych typów rud miedzi w analizowanych mieszankach. Na rysunkach 6 i 7 przedstawiono wyniki przewidywań udziałów odmian litologicznych rud miedzi w mieszankach. Podsumowując przewidywania udziałów typów rud w poszczególnych mieszankach dla rozważanego zagadnienia klasyfikacji można stwierdzić, że wyniki przewidywań są dobre i potwierdzają przewagę litologiczną określonych odmian rud w badanych mieszankach. Szczególnie istotny z technologicznego punktu widzenia jest wysoki stopień trafności przewidywań typów rud dla szerokiej klasy ziarnowej, która odpowiada zazwyczaj rzeczywistemu składowi ziarnowemu nadawy do procesu flotacji. Trafność tych przewidywań jest większa dla mieszanek z przewagą rudy piaskowcowej.

Słowa kluczowe

EN

identification of ores; image analysis; scanning microscope; neuron networks

PL

identyfikacja typów rud; analiza obrazu; mikroskopia skaningowa; sieci neuronowe

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2013
• Tom: Vol. 58, no. 2
• Strony: 433--448
• Opis fizyczny: Bibliogr. 14 poz., rys., tab., wykr.

Twórcy

autor

Krawczykowska A.

• AGH University of Science and Technology, Faculty of Mining and Geoengineering, Al. Mickiewicza 30, 30-059 Krakow, Poland

autor

Trybalski K.

• AGH University of Science and Technology, Faculty of Mining and Geoengineering, Al. Mickiewicza 30, 30-059 Krakow, Poland

autor

Krawczykowski D.

• AGH University of Science and Technology, Faculty of Mining and Geoengineering, Al. Mickiewicza 30, 30-059 Krakow, Poland

Bibliografia

• Grotowski A., Banach Z., Pluskota B., 1996. The Monograph of KGHM Polska Miedź S.A. Cuprum, Lubin, chapter 4.2, 649-682.
• Krawczykowska A., 2007. Rozpoznawanie obrazów w identyfikacji typów rud i ich właściwości w produktach przeróbki rud miedzi. Doctor’s dissertation, Faculty of Mining, AGH-UST, Krakow, unpublished.
• Krawczykowska A., Trybalski K., Krawczykowski D., 2008. Zastosowanie sieci neuronowych w zagadnieniach klasyfikacji typów rud miedzi. Wydawnictwo Politechniki Śląskiej, Górnictwo i Geologia, Gliwice, Volume 3/Book 3, 27-39.
• Krawczykowska A., Trybalski K., Krawczykowski D., 2009. Wykorzystanie modeli sieci neuronowych do identyfikacj i składu litologicznego rudy miedzi. Wydawnictwa AGH, Górnictwo i Geoinżynieria, Kraków, Year 33, Book 4, 141-151.
• Labus M., 2004. Wykorzystanie komputerowej analizy obrazu do badania właściwości porozymetrycznych piaskowców górnego karbonu. Arch. Min. Sci., Vol. 49, No. 1, p. 71-84.
• Laine S., Lappalainen H., Jamsa-Jounela S.-L., 1995. On-line determination of ore type using cluster analysis and neural networks. Minerals Engineering 8 (6), 637–648.
• Młynarczuk M., 2004. Możliwości wykorzystania analizy obrazu i morfologii matematycznej do analizy stereologicznej struktur skalnych. Arch. Min. Sci., Vol. 49, No. spec., p. 117-140.
• Sadr-Kazemi N., Cilliers J.J., 1997. An image processing algorithm for measurement of flotation froth bubble size and shape distributions. Minerals Engineering 10 (10), 1075-1083.
• Sieci neuronowe, 1999. Conference materials of the seminar organised by StatSoft Polska Sp. z o.o., Warszawa.
• Singh V., Rao S.M., 2005. Application of image processing and radial basis neural network technique for ore sorting and ore classification. Minerals Engineering 18, 1412-1420.
• Spalińska B., Stec R., Sztaba K., 1996. The Monograph of KGHM Polska Miedź S.A. Cuprum, Lubin, chapter 4.1, 637-648.
• Tadeusiewicz R., Korohoda P., 1997. Komputerowa analiza i przetwarzanie obrazów. Wydawnictwo Fundacji Postępu Telekomunikacji, Krakow.
• Tadeusiewicz R., 2001. Wprowadzenie do sieci neuronowych. StatSoft Polska Sp.z o.o, Krakow.
• Wojnar L., Kurzydłowski K.J., Szala J., 2002. Praktyka analizy obrazu. Polskie Towarzystwo Stereologiczne, Krakow.