Dynamic fire risk prevention strategy in underground coal gasification processes by means of artificial neural networks

• Autorzy: Krzemień Alicja

Identyfikatory

DOI

10.24425/ams.2018.124991

Warianty tytułu

PL

Dynamiczna strategia zapobiegania ryzyku pożarowemu z użyciem sztucznych sieci neuronowych w procesach podziemnego zgazowania węgla

• Języki publikacji: EN

Abstrakty

EN

Based on data collected during an UCG pilot-scale experiment that took place during 2014 at Wieczorek mine, an active mine located in Upper Silesia (Poland), this research focuses on developing a dynamic fire risk prevention strategy addressing underground coal gasification processes (UCG) within active mines, preventing economic and physical losses derived from fires. To achieve this goal, the forecasting performance of two different kinds of artificial neural network models (generalized regression and multi-layer feedforward) are studied, in order to forecast the syngas temperature at the georeactor outlet with one hour of anticipation, thus giving enough time to UCG operators to adjust the amount and characteristics of the gasifying agents if necessary. The same model could be used to avoid undesired drops in the syngas temperature, as low temperature increases precipitation of contaminants reducing the inner diameter of the return pipeline. As a consequence the whole process of UGC might be stopped. Moreover, it could allow maintaining a high temperature that will lead to an increased efficiency, as UCG is a very exothermic process. Results of this research were compared with the ones obtained by means of Multivariate Adaptative Regression Splines (MARS), a non-parametric regression technique able to model non-linearities that cannot be adequately modelled using other regression methods. Syngas temperature forecast with one hour of anticipation at the georeactor outlet was achieved successfully, and conclusions clearly state that generalized regression neural networks (GRNN) achieve better forecasts than multi-layer feedforward networks (MLFN) and MARS models.

PL

Przedstawione w niniejszej pracy badania koncentrują się na opracowaniu dynamicznej strategii zapobiegania ryzyku pożarowemu w procesach podziemnego zgazowania węgla (PZW) w czynnych kopalniach. Celem badań jest zapobieganie ekonomicznym i fizycznym stratom wynikającym z pożarów. W pracy wykorzystano dane zebrane podczas pilotowego eksperymentu podziemnego zgazowania węgla, który odbył się w 2014 r. w czynnej Kopalni Węgla Kamiennego „Wieczorek”, zlokalizowanej na Górnym Śląsku. W artykule przeanalizowano działanie dwóch różnych modeli sztucznych sieci neuronowych, tj. sieci neuronowych realizujących uogólnione regresje GRNN oraz wielowarstwowych sieci perceptronowych MLFN, w celu prognozowania temperatury gazu syntezowego na wyjściu z georeaktora z godzinnym wyprzedzeniem. Informacja na temat temperatury na godzinę „do przodu” daje wystarczająco dużo czasu operatorowi procesu PZW na dostosowanie ilości i właściwości czynników zgazowujących do zaistniałej sytuacji. Ten sam model można zastosować do uniknięcia niepożądanych spadków temperatury gazu syntezowego. Niska temperatura gazu sprzyja wytrącaniu się osadu (substancji smolistych), powodując zmniejszanie średnicy rurociągu odbioru gazu, co w konsekwencji może prowadzić do całkowitego zatrzymania procesu zgazowania. Model pozwala również na utrzymanie wysokiej temperatury, która prowadzi do zwiększonej wydajności procesu PZW, szczególnie biorąc pod uwagę, że PZW jest procesem bardzo egzotermicznym. Wyniki zrealizowanych badań porównano z rezultatami uzyskanymi za pomocą modelu MARS – nieparametrycznej metody regresji zdolnej do modelowania zależność nieliniowych, których nie można odpowiednio modelować przy użyciu innych metod regresji. Prognoza temperatury gazu na godzinę „do przodu” na wylocie georeaktora została osiągnięta z powodzeniem, a wnioski jasno pokazują, że sieci neuronowe realizujące uogólnione regresje (GRNN – Generalized Regression Neural Networks) osiągają lepsze rezultaty niż wielowarstwowe sieci jednokierunkowe (MLFN – Multi-Layer Feedforward Networks) i modele MARS (Multivariate Adaptative Regression Splines).

Słowa kluczowe

EN

dynamic alarm strategy; fire risk prevention; Generalized Regression Neural Network; Multi-Layer Feedforward Networks (MLFN); Multivariate Adaptative Regression Splines (MARS); underground coal gasification (UCG)

PL

dynamiczna strategia zapobiegania ryzyku; prewencja ryzyka pożarowego; podziemne zgazowanie węgla (PZW)

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2019
• Tom: Vol. 64, no. 1
• Strony: 3--19
• Opis fizyczny: Bibliogr. 22 poz., rys., tab., wykr.

Twórcy

autor

Krzemień Alicja

• Central Mining Institute (GIG), Department of Risk Assessment and Industrial Safety, Plac Gwarków 1. 40-166 Katowice, Poland

Bibliografia

• [1] Álvarez Antón J.C., García Nieto P.J., de Cos Juez F.J., Sánchez Lasheras F., Viejo C.B., Roqueñí Gutiérrez N., 2013. Battery State-of-Charge Estimator Using the MARS Technique. IEEE Transactions on Power Electronics 28 (8), 3798-3805. https://doi.org/10.1109/TPEL.2012.2230026.
• [2] Bhutto A.W., Bazmi A.A. Zahedi G., 2013. Underground coal gasification: From fundamentals to applications. Progress in Energy and Combustion Science 39 (1), 189-214. https://doi.org/10.1016/j.pecs.2012.09.004.
• [3] Białecka B., 2008. Estimation of coal reserves for UCG in the upper silesian coal Basin, Poland. Natural Resources Research 17(1), 21-28. https://doi.org/10.1007/s11053-008-9061-1.
• [4] Burton E., Friedmann J., Upadhye R., 2006. Best Practices in Underground Coal Gasification. U.S. Department of Energy, Contract No. W-7405-Eng-48. Lawrence Livermore National Laboratory, Livermore, CA.
• [5] Dubiński J., Turek M., 2015. Basic Aspects of Productivity of Underground Coal Gasification Process. Archives of Mining Sciences 60 (2), 443-453. https://doi.org/10.1515/amsc-2015-0029.
• [6] Friedman J.H., 1991. Multivariate Adaptive Regression Splines. The Annals of Statistics 19 (1), 1-67. https://doi.org/10.1214/aos/1176347963.
• [7] Kačur J., Kostúr K., 2017. Approaches to the gas control in UCG. Acta Polytechnica 57 (3), 182-200. https://doi.org/10.14311/AP.2017.57.0182.
• [8] Kapusta K., Stańczyk K., Wiatowski M., Chećko J., 2013. Environmental aspects of a field-scale underground coal gasification trial in a shallow coal seam at the Experimental Mine Barbara in Poland. Fuel 113 (0), 196-208. https://doi.org/http://dx.doi.org/10.1016/j.fuel.2013.05.015.
• [9] Krause E., Krzemień A., Smoliński A., 2015. Analysis and assessment of a critical event during an underground coal gasification experiment. Journal of Loss Prevention in the Process Industries 33, 173-182. https://doi.org/10.1016/j.jlp.2014.12.014.
• [10] Krzemień A., 2019. Fire risk prevention in underground coal gasification (UCG) within active mines: Temperature forecast by means of MARS models. Energy 170, 777-790. https://doi.org/10.1016/j.energy.2018.12.179.
• [11] Menéndez Álvarez M., Muñiz Sierra H., Sánchez Lasheras F., de Cos Juez F.J., 2017. A parametric model of the LARCODEMS heavy media separator by means of multivariate adaptive regression splines. Materials 10 (7). https://doi.org/10.3390/ma10070729.
• [12] Milborrow S., 2017. EARTH: Multivariate Adaptive Regression Splines. R package, version 4.5.1.
• [13] Mocek P., Pieszczek M., Świadrowski J., Kapusta K., Wiatowski M., Stańczyk K., 2016. Pilot-scale underground coal gasification (UCG) experiment in an operating Mine “Wieczorek” in Poland. Energy 111, 313-321. https://doi.org/10.1016/j.energy.2016.05.087.
• [14] R Core Team., 2017. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria.
• [15] Sánchez Lasheras F., Vilán Vilán J., García Nieto P.J., del Coz Díaz J.J., 2010. The use of design of experiments to improve a neural network model in order to predict the thickness of the chromium layer in a hard chromium plating process. Mathematical and Computer Modelling 52 (7-8), 1169-1176. https://doi.org/10.1016/j.mcm.2010.03.007.
• [16] Sekulic S., Kowalski B.R., 1992. MARS: a tutorial. Journal of Chemometrics 6, 199-216.
• [17] Specht D.F., 1991. A general regression neural network. IEEE Transactions on Neural Networks 2 (6), 568-576. https://doi.org/10.1109/72.97934.
• [18] Stańczyk K., Smoliński A., Kapusta K., Wiatowski M., Świdrowski J., Kotyrba A., Rogut J., 2010. Dynamic experimental simulation of hydrogen oriented underground gasification of lignite. Fuel 89 (11), 3307-3314. https://doi.org/10.1016/j.fuel.2010.03.004.
• [19] Wang J., Wang Z., Xin L., Xu Z., Gui J., Lu X., 2017. Temperature field distribution and parametric study in underground coal gasification stope. International Journal of Thermal Sciences 111, 66-77. https://doi.org/10.1016/j.ijthermalsci.2016.08.012.
• [20] Wiatowski M., Kapusta K., Ludwik-Pardała M., Stańczyk K., 2016. Ex-situ experimental simulation of hard coal underground gasification at elevated pressure. Fuel 184, 401-408. https://doi.org/10.1016/j.fuel.2016.07.020.
• [21] Wiatowski M., Stańczyk K., Świądrowski J., Kapusta K., Cybulski K., Krause E., Smoliński A., 2012. Semi-technical underground coal gasification (UCG) using the shaft method in Experimental Mine “Barbara”. Fuel 99, 170-179.https://doi.org/10.1016/j.fuel.2012.04.017.
• [22] Zhu J., Wang C., Li C., Gao X., Zhao J., 2016. Dynamic alarm prediction for critical alarms using a probabilistic model. Chinese Journal of Chemical Engineering 24 (7), 881-885. https://doi.org/10.1016/j.cjche.2016.04.017.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019)