Knowledge-based modeling and multi-objective optimization of production in underground coal mines

• Autorzy: Brzychczy E. , Lipiński P.

Warianty tytułu

PL

Modelowanie oparte na wiedzy i wielokryterialna optymalizacja produkcji w podziemnych kopalniach węgla kamiennego

• Języki publikacji: EN

Abstrakty

EN

In this paper a modern approach to the modeling and optimization of production in underground hard coal mines is presented. It begins with definitions and concepts linked to the planning processes associated with mining in hard coal mines. The main assumptions of the knowledge-based modeling of longwall characteristics are presented, as well as formulas for the optimization function. The use of mine planning knowledge discovered by Data Mining techniques is suggested as well as statistical analysis and application of the evolutionary algorithm, which is used as an optimization technique, to search for the best solutions in the engagement of longwall equipment in planned longwall faces. According to assumed criteria: the expected value of the net output of coal from the mining company [t/months] and the standard deviation of the net output of coal from the mining company [t/months]). Because of the multi-objective nature of the problem, a special evolutionary algorithm, MOEA-MPO, was designed. In this paper, we attempt to solve the problem of optimizing mining production for d longwall faces and n equipment installations with adequate constraints. MOEA-MPO deals with a population of N individuals representing candidate solutions linked to the optimization problem. Each individual encodes an integer vector x of length d, where each coordinate x/i of the vector x corresponds to the number of the equipment installation assigned to the i-th longwall face (therefore, x/i \E {1, 2,..., n}). In the proposed algorithm, three types of mutation operators as well as a crossover operator were implemented. The main elements and results obtained are described in the paper.

PL

W artykule zaprezentowano nowoczesne podejście do modelowania i optymalizacji produkcji górniczej w wielozakładowym przedsiębiorstwie górniczym. W pierwszej części artykułu opisano charakterystykę procesu planowania prowadzonego w kopalniach węgla kamiennego. Następnie przedstawiono założenia dotyczące modelowania robót górniczych opartego na wiedzy. Zaproponowano wykorzystanie wiedzy w zakresie doboru sprzętu do warunków wyrobisk ścianowych oraz zestawiania maszyn i urządzeń ze sobą w zestawy ścianowe, pozyskanej w procesie Data Mining, do określenia możliwości wyposażenia planowanych wyrobisk ścianowych i ich wyników produkcyjnych. Etap optymalizacji realizowany jest przez specjalny algorytm ewolucyjny, umożliwiający wielokryterialną analizę i ocenę potencjalnych rozwiązań pod względem wybranych kryteriów, tj. minimalizację odchylenia wartości oczekiwanej wydobycia od wartości planowanych i minimalizację odchylenia standardowego wydobycia w analizowanym okresie w przypadku planowanych wyrobisk ścianowych. Sformułowany problem badawczy dotyczy optymalizacji produkcji górniczej dla d wyrobisk ścianowych i n zestawów ścianowych z uwzględnieniem istniejących ograniczeń. W opracowanym algorytmie MOEA-MPO analizie poddawana jest populacja N osobników reprezentujących potencjalne rozwiązania. Każdy osobnik reprezentowany jest przez wektor liczb całkowitych x o długości d, w którym każdy element wektora x/i odpowiada zestawom ścianowym przypisanym do danego wyrobiska ścianowego (x/i E{1, 2, ..., n}). W proponowanym algorytmie zastosowano trzy typy operatorów mutacji i operator krzyżowania. W artykule zaprezentowano główne elementy opracowanego algorytmu oraz przykładowe wyniki obliczeń.

Słowa kluczowe

EN

mine planning; modeling; optimization; knowledge base; evolutionary algorithm

PL

planowanie produkcji górniczej; modelowanie; baza wiedzy; algorytm ewolucyjny; optymalizacja

• Wydawca: Wydawnictwa AGH
• Czasopismo: AGH Journal of Mining and Geoengineering
• Rocznik: 2013
• Tom: Vol. 37, no. 1
• Strony: 13--26
• Opis fizyczny: Bibliogr. 29 poz., tab., wykr.

Twórcy

autor

Brzychczy E.

• AGH University of Science and Technology, Krakow

autor

Lipiński P.

• University of Wroclaw, Institute of Computer Science, Wroclaw

Bibliografia

• [1] Basu A., Yuejin L., Singh R.N.: An overview of condition monitoring and an expert system for longwall mining machinery. Mining Science and Technology, vol. 13, iss. 3, 1991, pp. 279-290
• [2] Plümer L.: Expert systems in mining. Logic Programming in Action. Lecture Notes in Computer Science, Berlin / Heidelberg, Springer 1992
• [3] Streichfuss M., Burgwinkel P.: An expert-system-based machine monitoring and maintenance management system. Control Engineering Practice, vol. 3, iss. 7, 1995, pp. 1023-1027
• [4] Hart E., Duda R.O.: PROSPECTOR - A Computer-Based Consultation. System for Mineral Exploration. Artificial Intelligence Center. SRI International, California, Menlo Park, 1977
• [5] Liu Z., Zeng Q., Wang Ch., Zhao Y.: Research on ontology-based knowledge representation and retrieval of coal mining equipment selection and matching expert system. International Conference on Intelligent Control and Information Processing (ICICIP), Dalian 2010, pp. 776-779
• [6] Britton S.G.: Computer-based expert system aids underground mine planning. Engineering and Mining Journal, vol. 188, no. 4, 1987, pp. 82-87
• [7] Grayson R.L., Watts C.M., Singh H., Yuan S., Dean J.M., Reddy N.P., Nutter R.S. Jr.: A knowledge-based expert system for managing underground coal mines in the US. IEEE Transactions on Industry Applications, vol. 26, no. 4, 1990, pp. 598-603
• [8] Zhang H., Zhao G.: CMEOC - An expert system in the coal mining industry. Expert Systems with Applications, vol. 16, iss. 1, 1999, pp. 73-77
• [9] Pendharkar P. C., Rodger J.A.: Nonlinear programming and genetic search application for production scheduling in coal mines. Annals of Operations Research, vol. 95, 2000, pp. 251-267
• [10] Yun Q.X., Guo W.W., Chen Y.F., Lu C.W., Lian M. J. :. Evolutionary algorithms for the optimization of production planning in underground mines. Application of Computers and Operations Research in the Minerals Industries, South African Institute of Mining and Metallurgy, 2003
• [11] Li X.Z.W., Zhang Y.: Application of genetic algorithm to optimize the number and size of equipment of surface mine, [in:] Mine Planning and Equipment Selection, Ed. M. Hardygóra, G. Paszkowska, M. Sikora, Taylor & Francis Group, London 2004
• [12] Vayenas N., Yurij G.: Using Gen Rel for reliability assessment of mining equipment. Journal of Quality in Maintenance Engineering. Emerald, vol. 13, no. 1, 2007
• [13] Kumral M.: Optimal location of amine facility by genetic algorithms. Mining Technology: IMM Transactions section A, vol. 113, no. 2, 2004, pp. 83-88
• [14] Mahajan A.M.: Performance optimization of a coal preparation plant using genetic algorithms. Final Technical Report 03-1/4.1 B-4. Southern Illinois University 2004
• [15] Tumidajski T.: Aktualne tendencje w opisie i modelowaniu matematycznym procesów przeróbki materiałów uziarnionych. Gospodarka Surowcami Mineralnymi. Wydawnictwo IGSMiE PAN, Kraków, vol. 26, iss. 3, 2010, pp. 111-123
• [16] Guo H., Zhu K., Ding Ch., Li L.: Intelligent optimization for project scheduling of the first mining face in coal mining. Expert Systems with Application, vol. 37, iss. 2, 2010, pp. 1294-1301
• [17] Naoum S., Haidar A.: A hybrid knowledge base system and genetic algorithms for equipment selection. Engineering, Construction and Architectural Management, vol. 7, 2000, pp. 3-14
• [18] Brzychczy E.: Koncepcja metody projektowania robót eksploatacyjnych w wielozakładowym przedsiębiorstwie górniczym. Gospodarka Surowcami Mineralnymi, Wydawnictwo IGSMiE PAN, t. 24, z. 3/3, 2008, pp. 19-31
• [19] Brzychczy E., Magda R., Franik Т., Kęsek M., Woźny Т., Napieraj A.: An expert system for supporting mine production planning in multi-plant mining enterprises. "22nd World Mining Congress & Expo", UCTEA The Chamber of Mining Engineers of Turkey, vol. 2, Ed. S. Eskikaya, Istanbul, 11-16 September 2011, pp. 551-558
• [20] Arabas J.: Wykłady z algorytmów ewolucyjnych. Warszawa, Wydawnictwa Naukowo-Techniczne 2004
• [21] Schaffer J. D.: Multi objective optimization with vector evaluated genetic algorithms. Proceedings of ICGA, Pittsburgh, Pensylwania 1985
• [22] Hajela P., Lin C.Y:. Genetic search strategies in multi-criterion optimal design. Structural Optimization, vol. 4, 1992, pp. 99-107
• [23] Fonseca C.M., Fleming P.J. : Genetic algorithms for multi-objective optimization: formulation, discussion and generalization. Proceedings of the Fifth International Conference on Genetic Algorithms, San Mateo, California 1993
• [24] Horn J., Nafpliotis N., Goldberg D.E.: A niched pareto genetic algorithm for multi-objective optimization. Proceedings of the First IEEE Conference on Evolutionary Computation, New Jersey, Piscataway, 1994
• [25] Srinivas N., Deb K. : Multi-objective optimization using nondominated sorting genetic algorithm. Evolutionary Computation, vol. 2, iss. 3, 1994, pp. 221-248
• [26] Zitzler E.: Evolutionary algorithms for multi-objective optimization: methods and applications. Doctor Thesis. Zurich, Swiss Federal Institute of Technology 1999
• [27] Applications of Multi-Objective Evolutionary Algorithms. Advances in Natural Computation, vol. 1, Ed. C.C. Coello, G.B. Lamont. New York, World Scientific 2004
• [28] Deb K., Pratap A., Agarwal S., Meyarivan T.: A fast and elitist multi-objective genetic algorithm: NSGA- II, IEEE Transactions on Evolutionary Computation in Evolutionary Computation, IEEE Transactions on, vol. 6, no. 2, 2002, pp. 182-197
• [29] Zitzler E., Thiele L. : Multi-objective optimization using evolutionary algorithms - a comparative case study, Parallel Problem Solving From Nature, Springer, Berlin 1998