Modelowanie emisji NOx w zawiesinowym procesie wytwarzania miedzi przy wykorzystaniu metody drzew regresyjnych

Talar, J.; Jarosz, P.; Stanisławczyk, A.; Kusiak, J.

Artykuł - szczegóły

Tytuł artykułu

Modelowanie emisji NOx w zawiesinowym procesie wytwarzania miedzi przy wykorzystaniu metody drzew regresyjnych

Autorzy

Talar J. , Jarosz P. , Stanisławczyk A. , Kusiak J.

Identyfikatory

Warianty tytułu

Modelling of NOx emission in the copper flash smelting process using regression trees method

Języki publikacji

Abstrakty

Przedstawiono problem przewidywania emisji NOx w zawiesinowym procesie wytwarzania miedzi. Algorytm drzew regresyjnych CART został wykorzystany do przewidywania poziomu NOx w gazach. W modelowaniu tego zjawiska wykorzystano przemysłowe dane pomiarowe. Opracowany model na bazie drzew decyzyjnych pozwolił na identyfikację zmiennych niezależnych, które mają decydujące znaczenie dla przewidywania poziomu stężenia NOx w gazach. Wyniki modelowania uzyskane przez algorytm CART porównano z wynikami sztucznych sieci neuronowych oraz metod regresji liniowej i nieliniowej. Opracowane modele oparte o sztuczne sieci neuronowe oraz drzewo regresyjne mogą być zastosowane w optymalizacji i sterowaniu procesu wytwarzania miedzi pod kątem redukcji szkodliwej emisji NOx.

The problem of prediction of NOx emission in the copper flash smelting process is presented. The CART algorithm was applied to prediction of the NOx content in exhausts. The industrial data were used to modelling of this phenomenon. The model developed on the base of the decision trees allows to identify the independent variables, which are significant for prediction of NOx content in gases. The results of CART algorithm were compared with the artificial neural networks and the linear and non-linear regression models. The elaborated models based on the artificial neural networks and regression tree method can be applied in optimisation and control of the copper production process for reduction of harmful emission of NOx.

Słowa kluczowe

drzewo regresji sztuczne sieci neuronowe redukcja odpadów zawiesinowy proces wytwarzania miedzi

regression trees artificial neural networks waste reduction, copper flash smelting process

Wydawca

Wydawnictwo SIGMA-NOT

Czasopismo

Rudy i Metale Nieżelazne

Rocznik

2007

Tom

R. 52, nr 3

Strony

129--135

Opis fizyczny

Bibliogr. 21 poz., wykr., tab.

Twórcy

autor

Talar J.

autor

Jarosz P.

autor

Stanisławczyk A.

autor

Kusiak J.

Akademia Górniczo-Hutnicza, Wydział Inżynierii Metali i Informatyki Przemysłowej, Kraków

Bibliografia

1. Hand D., Mannila H., Smyth P.: Eksploracja danych. Warszawa 2005, WNT.
2. Kucharski M.: Pirometalurgia miedzi. Kraków 2003, Wydaw. AGH.
3. Talar J., Jarosz P., Kondek T., Kusiak J., Staszak J.: Zastosowanie sztucznych sieci neuronowych do sterowania zawiesinowym przetopem koncentratów miedzi. Mat. 11. Konf. Informatyka w Technologii Metali KomPlasTech2004, Zakopane 2004, Wydaw. Akapit, s. 291÷300.
4. Jarosz P., Gargul K., Kusiak J., Talar J., Staszak J., Byszyński L.: Zastosowanie sztucznych sieci neuronowych do analizy zawiesinowego procesu otrzymywania miedzi w aspekcie generowania odpadów. Mat. 7 Międzyn. Konf. Nauk. „Teoretyczne i praktyczne problemy zagospodarowania odpadów hutniczych i przemysłowych”, Zakopane 2006, s. 61÷71.
5. Ustawa o odpadach z 27.04.2001 z późniejszymi zmianami, Dz.U. nr 01.62.628.
6. Jarosz P., Gargul K.: Termodynamiczne uwarunkowania syntezy tlenków azotu w piecu zawiesinowym. Mat. 4. Konf. „Teoretyczne i Praktyczne problemy zagospodarowania odpadów hutniczych”, Zakopane 2002, s. 46÷50.
7. Jarosz P., Talar J., Kondek T., Kusiak J., Dobrzański J., Staszak J.: Modelowanie składu fazy gazowej procesu zawiesinowego wytopu miedzi z wykorzystaniem sztucznych sieci neuronowych. Mat. 13. Konf. Informa-tyka w Technologii Metali KomPlasTech2006, Szczawnica 2006, Wydaw. Akapit, s. 201÷208.
8. Donizak J., Hołda A., Kolenda Z.: Modelowanie matematyczne procesów metalurgicznych — jednostadialny proces zawiesinowy produk-cji miedzi hutniczej. Mat. Konf. „Teoria I Inżynieria Procesów Metalur-gicznych”, Kraków 2003, s. 23÷42.
9. Donizak J., Hołda A., Kolenda Z.: Zastosowanie deterministyczno- -stochastycznego modelu do symulacji zawiesinowego procesu produkcji miedzi hutniczej. Mat. XVIII Zjazdu Termodynamików, 2002, z. 22, Wydaw. Polit. Warszawskiej, s. 325÷334.
10. Donizak J., Hołda A., Kolenda Z., Sukiennik M., Warmuz M., Szwancyber G., Garbacki J., Gostyński Z.: The Flash Smelting Process Digital Simulation. The IVth International Conference on Non-Ferrous Metals and Alloys, Cracow 1999, p. 29.
11. Talar J., Jarosz P., Kusiak J., Staszak J.: Artificial intelligence based modelling of the direct copper flash smelting process, in: Research in Polish metallurgy at the beginning of XXI century. Committee of Metal-lurgy of the Polish Academy of Sciences, Cracow 2006, Wydaw. Akapit, p. 81÷101.
12. Tadeusiewicz R.: Sieci neuronowe. Warszawa 1993, Akad. Wy-daw. RM.
13. Tadeusiewicz R.: Wprowadzenie do sieci neuronowych, w: Zastosowanie sztucznych sieci neuronowych w symulacji i sterowaniu procesa-mi metalurgicznymi. Mat. 1. Seminarium Neuromet’97, Kraków 1997, Wydaw. Akapit, s. 7÷47.
14. Osowski S.: Sieci neuronowe. Warszawa 1996, Wydaw. Polit. Warszawskiej.
15. Masters T.: Sieci neuronowe w praktyce. Warszawa 1996, WNT.
16. Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe, podstawy i zastosowania. Warszawa 1994, Akad. Wydaw. PLJ.
17. Draper N. R., Smith H.: Analiza regresji stosowana. Warszawa 1973, PWN.
18. Brandt S.: Metody statystyczne i obliczeniowe analizy danych. Warszawa 1976, PWN.
19. Cichosz P.: Systemy uczące się. Warszawa 2000, WNT.
20. Breiman L., Friedman J. H., Olshen R. A., Stone C. J.: Classifica-tion and Regression Trees. New York 1984, Chapman & Hall (Wadsworth, Inc.).
21. Kłopotek M. A.: Inteligentne wyszukiwarki internetowe. Warsza-wa 2001, Akad. Wydaw. Exit.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-AGH6-0008-0017