The use of the visualisation of multidimensional data using PCA to evaluate possibilities of the division of coal samples space due to their suitability for fluidised gasification

• Autorzy: Jamróz D. , Niedoba T. , Surowiak A. , Tumidajski T.

Identyfikatory

DOI

10.1515/amsc-2016-0038

Warianty tytułu

PL

Zastosowanie wizualizacji wielowymiarowych danych za pomocą PCA do oceny możliwości podziału próbek węgla ze względu na ich przydatność do zgazowania

• Języki publikacji: EN

Abstrakty

EN

Methods serving to visualise multidimensional data through the transformation of multidimensional space into two-dimensional space, enable to present the multidimensional data on the computer screen. Thanks to this, qualitative analysis of this data can be performed in the most natural way for humans, through the sense of sight. An example of such a method of multidimensional data visualisation is PCA (principal component analysis) method. This method was used in this work to present and analyse a set of seven-dimensional data (selected seven properties) describing coal samples obtained from Janina and Wieczorek coal mines. Coal from these mines was previously subjected to separation by means of a laboratory ring jig, consisting of ten rings. With 5 layers of both types of coal (with 2 rings each) were obtained in this way. It was decided to check if the method of multidimensional data visualisation enables to divide the space of such divided samples into areas with different suitability for the fluidised gasification process. To that end, the card of technological suitability of coal was used (Sobolewski et al., 2012; 2013), in which key, relevant and additional parameters, having effect on the gasification process, were described. As a result of analyses, it was stated that effective determination of coal samples suitability for the on-surface gasification process in a fluidised reactor is possible. The PCA method enables the visualisation of the optimal subspace containing the set requirements concerning the properties of coals intended for this process.

PL

Proces zgazowania węgla jest jedną z technologii, które zyskują coraz szerszą uwagę wśród technologów zajmujących się jego przeróbką i utylizacją. Ze względu na typ zgazowania wyróżnia się dwa główne sposoby: zgazowanie naziemne i podziemne. Każdy z tych typów można jednak przeprowadzić za pomocą różnych technologii. W przypadku zgazowania naziemnego, jedną z takich technologii jest zgazowanie w reaktorze fluidalnym. Do tego typu zgazowania zostały opracowane wytyczne w ramach projektu NCBiR nr 23.23.100.8498/R34 pt. „Opracowanie technologii zgazowania węgla dla wysokoefektywnej produkcji paliw i energii” w ramach strategicznego programu badań naukowych i prac rozwojowych pt. „Zaawansowane technologie pozyskiwania energii” (Marciniak-Kowalska, 2011-12; Sobolewski et al., 2012; 2013; Strugała et al., 2011; 2012). Autorzy wybrali główne z tych wytycznych, dotyczących zalecanych poziomów określonych cech węgla. W celu zbadania węgla pod kątem ich przydatności do zgazowania pobrano próbki dwóch węgli: pochodzących z Zakładu Górniczego Janina oraz z Kopalni Węgla Kamiennego Wieczorek. Każdy z tych węgli został poddany procesowi wzbogacania w laboratoryjnej osadzarce pierścieniowej (10 pierścieni, węgiel w klasach wydzielonych z przedziału 0-18 mm). Po zakończeniu procesu rozdziału materiał podzielono na 5 warstw (po 2 pierścienie) i każdy z nich rozsiano na sitach na 10 klas ziarnowych, ustalając wychody warstw i klas. Następnie, tak otrzymane produkty – klasy ziarnowe, po wydzieleniu analitycznych próbek, poddano chemicznej analizie elementarnej i technicznej węgla, w celu scharakteryzowania właściwości wpływających na procesy zgazowania. Łącznie z obu kopalń uzyskano 99 próbek (50 z kopalni Janina oraz 49 z kopalni Wieczorek – w jednej z warstw nie uzyskano klasy 16-18 mm) charakteryzowanych przez następujące parametry: zawartość siarki całkowitej, zawartość wodoru, zawartość azotu, zawartość chloru, zawartość węgla całkowitego, ciepło spalania oraz zawartość popiołu. Przykładowe dane dla jednej z otrzymanych warstw przedstawiono w tabeli 1. Dodatkowo wykorzystano kartę przydatności technologicznej węgla (Sobolewski et al., 2012; 2013), w której opisano parametry kluczowe, istotne oraz dodatkowe, mające wpływ na proces zgazowania. Na jej podstawie oznaczono próbki węgla, które w sposób efektywny poddają się procesowi zgazowania. W celu wizualizacji danych zastosowano jedną z nowoczesnych metod wielowymiarowej statystycznej analizy czynnikowej – metodę PCA (ang. Principal Component Analysis). W metodzie tej dokonuje się rzutu prostopadłego wielowymiarowych danych na płaszczyznę reprezentowaną przez specjalnie wybrane wektory V1,V2. Są to wektory własne, odpowiadające dwóm największym (co do modułu) wartościom własnym macierzy kowariancji zbioru obserwacji. Opisany dobór wektorów V1,V2 pozwala uzyskać obraz na płaszczyźnie prezentujący najwięcej zmienności danych. Algorytm i zasady tej metody zostały szczegółowo zaprezentowane w podrozdziale 3 artykułu. Za pomocą metody PCA dokonano trzech typów analiz. Pierwszy obraz miał na celu rozpoznanie, czy możliwa jest identyfikacja pochodzenia węgla, czyli rozdział węgla pochodzącego z ZG Janina od węgla z KWK Wieczorek. Odpowiedź była twierdząca. Na tak przygotowane dane narzucono następnie warunki wynikające z nałożenia wymogów określonych w karcie przydatności technologicznej węgla. Okazało się, że przy wzięciu pod uwagę wszystkich warunków jedynie 17 próbek z ZG Janina i zaledwie jedna z KWK Wieczorek spełnia wszystkie kryteria, co przedstawiono na rysunku 2. Stwierdzono, że dzieje się tak głównie z powodu zawartości chloru, która wykracza poza nałożone limity. Cecha ta nie wpływa jednak w kluczowy sposób na sam proces zgazowania a istotna jest ze względu na aspekt ochrony środowiska. Dlatego dokonano podobnej analizy, ale przy odrzuceniu warunku dotyczącego tej cechy. Po odrzuceniu wymogów dotyczących zawartości chloru okazało się, że 37 próbek z ZG Janina oraz 41 próbek z KWK Wieczorek spełnia pozostałe zalecenia odnośnie naziemnego zgazowania w reaktorze fluidalnym. Jest to potwierdzenie wcześniejszych obserwacji autorów w tym zakresie. W obu przypadkach wizualizacja wielowymiarowa przy użyciu PCA pozwoliła stwierdzić, że obrazy punktów reprezentujących próbki węgla bardziej podatnego na zgazowanie oraz mniej przydatnego do zgazowania zajmują osobne podobszary przestrzeni oraz gromadzą się w skupiskach, które można łatwo od siebie odseparować. Stwierdzono więc, że metoda PCA pozwala podzielić przestrzeń próbek na obszary o różnej przydatności do procesu zgazowania fluidalnego zarówno gdy przyjęto ograniczenie dotyczące zawartości chloru jak i przy jego pominięciu. Zastosowanie metody PCA w celu identyfikacji przydatności próbek węgla do zgazowania jest nowatorskie i nie było wcześniej stosowane. Istnieje możliwość zastosowania również innych metod w tym zakresie. Należy jednak podkreślić, że niewątpliwą zaletą metody PCA jest fakt, że w trakcie wizualizacji nie ma konieczności doboru żadnych parametrów w przeciwieństwie do wielu innych metod wizualizacji wielowymiarowych danych.

Słowa kluczowe

EN

principal component analysis (PCA); multidimensional visualisation; coal gasification; jigging

PL

analiza PCA; wizualizacja wielowymiarowa; zgazowanie węgla; wzbogacanie w osadzarkach

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2016
• Tom: Vol. 61, no. 3
• Strony: 523--535
• Opis fizyczny: Bibliogr. 49 poz., tab., wykr.

Twórcy

autor

Jamróz D.

• AGH University of Science and Technology, Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering, Department of Applied Computer Science, al. Mickiewicza 30, 30-059 Kraków, Poland

autor

Niedoba T.

• AGH University of Science and Technology, Faculty of Mining and Geoengineering, Department of Environmental Engineering and Mineral Processing, al. Mickiewicza 30, 30-059 Kraków, Poland

autor

Surowiak A.

• AGH University of Science and Technology, Faculty of Mining and Geoengineering, Department of Environmental Engineering and Mineral Processing, al. Mickiewicza 30, 30-059 Kraków, Poland

autor

Tumidajski T.

• AGH University of Science and Technology, Faculty of Mining and Geoengineering, Department of Environmental Engineering and Mineral Processing, al. Mickiewicza 30, 30-059 Kraków, Poland

Bibliografia

• [1] Ahmed H.A.M., Drzymała J., 2005. Two-dimensional fractal linearization of distribution curves. Physicochemical Problems of Mineral Processing, Vol. 39, p. 129-139.
• [2] Aldrich C., 1998. Visualization of transformed multivariate data sets with autoassociative neural networks. Pattern Recognition Letters, Vol. 19(8), p. 749-764.
• [3] Asimov D., 1985. The Grand Tour: A Tool for Viewing Multidimensional Data. SIAM Journal of Scientific and Statistical Computing, Vol. 6, p. 128-143.
• [4] Assa J., Cohen-Or D., Milo T., 1999. RMAP: a system for visualizing data in multidimensional relevance space, Visual Computer, Vol. 15(5), p. 217-34.
• [5] Blaschke W., 2009. Hard coal processing – gravitational beneficiation. Wydawnictwo IGSMiE PAN, Kraków [in Polish].
• [6] Borowiecki T., Kijeński J., Mochnikowski J., Ściążko M. (ed.), 2008. Pure energy, chemical products and coal made fuels – evaluation of development potential. IChPW, Zabrze [in Polish].
• [7] Brożek M., Surowiak A., 2005. The Dependence of Distribution of Settling Velocity of Spherical Particles on the Distribution of Particle Sizes and Densities. Physicochemical Problems of Mineral Processing, Vol. 39, p. 199-210.
• [8] Brożek M., Surowiak A., 2007. Effect of Particle Shape on Jig Separation Efficiency. Physicochemical Problems of Mineral Processing, Vol. 41, p. 397-413.
• [9] Brożek M., Surowiak A., 2010. Argument of Separation at Upgrading in the Jig. Archives of Mining Sciences, Vol. 55, p. 21-40.
• [10] Chatterjee A., Das P.P., Bhattacharya S., 1993. Visualization in linear programming using parallel coordinates. Pattern Recognition, Vol. 26(11), p.1725-1736.
• [11] Chmielniak T., Tomaszewicz G., 2012. Solid fuels gasification – prezent state and future development directions. Karbo, Vol. 3, p. 191-201 [in Polish].
• [12] Chou S.-Y., Lin S.-W., Yeh C.-S., 1999. Cluster identification with parallel coordinates. Pattern Recognition Letters, Vol. 20, p. 565-572.
• [13] Cleveland W.S., McGill R., 1984. The many faces of a scatterplot. Journal of the American Statistical Association, vol.79, pp.807-822.
• [14] Cook D., Buja A., Cabrera J., Hurley C., 1995. Grand Tour and Projection Pursuit. Journal of Computational and Graphical Statistics, Vol. 4, no. 3, p. 155-172.
• [15] Drzymała J., 2009. Basics of minerallurgy. Oficyna Wydawnicza Politechniki Wrocławskiej, [in Polish].
• [16] Gennings C., Dawson K.S., Carter W.H., Jr. Myers R.H., 1990. Interpreting plots of a multidimensional dose-response surface in a parallel coordinate system. Biometrics, Vol. 46, p. 719-735.
• [17] Inselberg A., 2009. Parallel Coordinates: VISUAL Multidimensional Geometry and its Applications. Springer.
• [18] Jain A.K., Mao J., 1992. Artificial neural network for non-linear projection of multivariate data. In: Proc. IEEE Internat. Joint Conf. On Neural Networks. Baltimore, MD, Vol. 3, p. 335-340.
• [19] Jamróz D., 2001. Visualization of objects in multidimensional spaces. Doctoral Thesis, AGH, Kraków [in Polish].
• [20] Jamróz D., 2009. Multidimensional labyrinth – multidimensional virtual reality. [In:] Cyran K., Kozielski S., Peters J., Stanczyk U., Wakulicz-Deja A. (eds.), Man-Machine, Interactions, AISC, Heidelberg, Springer-Verlag, Vol. 59, p. 445–450.
• [21] Jamróz D., 2014a. Application of Multidimensional Data Visualization in Creation of Pattern Recognition Systems. [In:] Gruca A., Czachórski T., Kozielski S. (eds.), Man-Machine, Interactions 3, AISC, Switzerland, Springer International Publishing, Vol. 242, p. 443-450.
• [22] Jamróz D., 2014b. Application of multidimensional scaling to classification of various types of coal. Archives of Mining Sciences, Vol. 59(4), p. 413-425.
• [23] Jamróz D., 2014c. Application of multi-parameter data visualization by means of autoassociative neural networks to evaluate classification possibilities of various coal types. Physicochemical Problems of Mineral Processing, Vol. 50(2), p. 719-734.
• [24] Jamróz D., Niedoba T., 2014. Application of Observational Tunnels Method to Select Set of Features Sufficient to Identify a Type of Coal. Physicochemical Problems of Mineral Processing, vol 50(1), p. 185-202.
• [25] Kim S.-S., Kwon S., Cook D., 2000. Interactive visualization of hierarchical clusters using MDS and MST. Metrika, Springer-Verlag, Vol. 51, p. 39-51.
• [26] Kosminski A., Ross D.P., Agnew J.B., 2006. Transformations of sodium during gasification of low-rank coal. Fuel Processing Technology, p. 943-952.
• [27] Kraaijveld M., Mao J., Jain A.K., 1995. A nonlinear projection method based on Kohonen’s topology preserving maps. IEEE Trans. Neural Networks, Vol. 6(3), p. 548-559.
• [28] Lee S., Speight J.G., Loyalka S.K., 2007. Handbook of alternative fuel technologies. CRC Press, Taylor & Francis Group.
• [29] Marciniak-Kowalska J. et al. Project report NCBiR, 2012-13: Elaboration of technology of coal gasification for highly efficient fuel and energy production, report from part of the project Investigations of coal beneficiation by means of mechanical processing, not publisher work [in Polish].
• [30] Niedoba T., 2009. Multidimensional distributions of grained materials characteristics by means of non-parametric approximation of marginal statistical density function, AGH Journal of Mining and Geoengineering, Vol. 4, p. 235-244 [in Polish].
• [31] Niedoba T., 2011. Three-dimensional distribution of grained materials characteristics. [In:] Proceedings of the XIV Balkan Mineral Processing Congress, Tuzla, Bosnia and Herzegovina, Vol. 1, p. 57-59.
• [32] Niedoba T., 2013a. Multidimensional characteristics of random variables in description of grained materials and their separation processes. Wydawnictwo Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN, Kraków [in Polish].
• [33] Niedoba T., 2013b. Statistical analysis of the relationship between particle size and particle density of raw coal. Physicochemical Problems of Mineral Processing, Vol. 49(1), p. 175-188.
• [34] Niedoba T., 2014. Multi-parameter data visualization by means of principal component analysis (PCA) in qualitative evaluation of various coal types. Physicochemical Problems of Mineral Processing, Vol. 50(2), p. 575-589.
• [35] Niedoba T., Jamróz D., 2013. Visualization of multidimensional data in purpose of qualitative classification of various types of coal. Archives of Mining Sciences, Vol. 58(4), p. 1317-1333.
• [36] Niedoba T., Surowiak A., 2012. Type of coal and multidimensional description of its composition with density and ash contents taken into consideration. in Proceedings of the XXVI International Mineral Processing Congress, Vol. 1, p. 3844-3854.
• [37] Sobol M.G., Klein G., New graphics as computerized displays for human information processing. IEEE Trans. Systems Man Cybernet, Vol. 19 (4), p. 893-898, 1989.
• [38] Sobolewski A., Chmielniak T., Topolnicka T., Gieza N., 2013. Selection of coals to gasification in pressure fluidized bed gas generator. Karbo, Vol. 1, p. 28-38 [in Polish].
• [39] Sobolewski A., Chmielniak T., Topolnicka T., Świeca G., 2012. Characteristics of Polish coals in aspekt of their suitability to fluidized gasification. Polish Mining Review, Vol. 2, p. 174-183 [in Polish].
• [40] Strugała A., Czalicka-Kolarz K., Ściążko M., 2011. Projects of new technologies of coal gasification created within Strategic Program NCBiR. Energy Policy Journal, Vol. 14(2), p. 375-390.
• [41] Strugała A., Czerski G., 2012. Investigations over technologies of coal gasification in Poland, Chemical Review, Vol. 91(11), p. 2181-2185 [in Polish].
• [42] Surowiak A., 2013a. Assessment of coal mineral matter liberation efficiency index, Minerals Engineering, Vol. 14(2), p. 153-158.
• [43] Surowiak A., 2013b. Investigations over beneficiation of hard coals destined to gasification in fluidized Bed gas generator, Polish Mining Review, Vol. 69(2), p. 239-244 [in Polish].
• [44] Surowiak A., 2014a. Possibilities of upgrading of hard coals destined to ground gasification process. Polish Mining Review, Vol. 70(4), p. 59-66 [in Polish].
• [45] Surowiak A., 2014b. Influence of particle density distributions of their settling velocity for narrow size fractions. Mineral Resources Management, Vol. 30(1), p. 105-122.
• [46] Surowiak A., Brożek M., 2014a. Methodology of calculation the terminal settling velocity distribution of spherical particles for high values of the Reynold’s number. Archives of Mining Sciences, Vol. 59(1), p. 269-282.
• [47] Surowiak A., Brożek M., 2014b. Methodology of calculation the terminal settling velocity distribution of irregular particles for high values of the Reynold’s number. Archives of Mining Sciences, Vol. 59(2), p. 553-562.
• [48] Tumidajski T., 1997. Stochastic analysis of grained materials properties and their separation processes. Wydawnictwo AGH, Kraków [in Polish].
• [49] Tumidajski T., Saramak D., 2009. Methods and models of mathematical statistics in mineral processing. Wydawnictwo AGH, Kraków [in Polish].

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę