The Tailings Storage Facility (TSF) stability monitoring system using advanced big data analytics on the example of the Żelazny Most Facility

• Autorzy: Koperska Wioletta , Stachowiak Maria , Duda-Mróz Natalia , Stefaniak Paweł , Jachnik Bartosz , Bursa Bartłomiej , Stefanek Paweł

Identyfikatory

DOI

10.24425/ace.2022.140643

Warianty tytułu

PL

System monitorowania stabilności składowiska odpadów poflotacyjnych z wykorzystaniem zaawansowanej analizy big data na przykładzie obiektu Żelazny Most

• Języki publikacji: EN

Abstrakty

EN

Approximately 30 million tons of tailings are being stored each year at the KGHMs Zelazny Most Tailings Storage Facility (TSF). Covering an area of almost 1.6 thousand hectares, and being surrounded by dams of a total length of 14 km and height of over 70 m in some areas, makes it the largest reservoir of post-flotation tailings in Europe and the second-largest in the world. With approximately 2900 monitoring instruments and measuring points surrounding the facility, Zelazny Most is a subject of round-the-clock monitoring, which for safety and economic reasons is crucial not only for the immediate surroundings of the facility but for the entire region. The monitoring network can be divided into four main groups: (a) geotechnical, consisting mostly of inclinometers and VW pore pressure transducers, (b) hydrological with piezometers and water level gauges, (c) geodetic survey with laser and GPS measurements, as well as surface and in-depth benchmarks, (d) seismic network, consisting primarily of accelerometer stations. Separately a variety of different chemical analyses are conducted, in parallel with spigotting processes and relief wells monitorin. This leads to a large amount of data that is difficult to analyze with conventional methods. In this article, we discuss a machine learning-driven approach which should improve the quality of the monitoring and maintenance of such facilities. Overview of the main algorithms developed to determine the stability parameters or classification of tailings are presented. The concepts described in this article will be further developed in the IlluMINEation project (H2020).

PL

W składowisku odpadów poflotacyjnych KGHM Żelazny Most składuje się rocznie około 30 milionów ton odpadów przeróbczych. Zajmujący powierzchnię prawie 1,6 tys. ha i otoczony zaporami o łącznej długości 14 km i wysokości na niektórych obszarach ponad 70 m, czyni go największym zbiornikiem odpadów poflotacyjnych w Europie i drugim co do wielkości na świecie. Z około 2900 urządzeniami monitorującymi i punktami pomiarowymi otaczającymi obiekt, Żelazny Most jest przedmiotem całodobowego monitoringu, co ze względów bezpieczeństwa i ekonomicznych ma kluczowe znaczenie nie tylko dla najbliższego otoczenia obiektu, ale dla całego regionu. Sieć monitoringu można podzielić na cztery główne grupy: (a) geotechniczna, składająca się głównie z inklinometrów i przetworników ciśnienia porowego VW, (b) hydrologiczna z piezometrami i miernikami poziomu wody, (c) geodezyjne z pomiarami laserowymi i GPS oraz jako repery powierzchniowe i gruntowe, (d) sieć sejsmiczna, składająca się głównie ze stacji akcelerometrów. Oddzielnie przeprowadza się szereg różnych analiz chemicznych, równolegle z procesami spigotingu i monitorowaniem studni odciążających. Prowadzi to do dużej ilości danych, które są trudne do analizy konwencjonalnymi metodami. W tym artykule omawiamy podejście oparte na uczeniu maszynowym, które powinno poprawić jakość monitorowania i utrzymania takich obiektów. Przedstawiono przegląd głównych algorytmów opracowanych do wyznaczania parametrów stateczności lub klasyfikacji odpadów. Do analizy i klasyfikacji odpadów wykorzystano pomiary z testów CPTU. Klasyfikacja gruntów naturalnych z wykorzystaniem badan CPT jest powszechnie stosowana, nowością jest zastosowanie podobnej metody do klasyfikacji odpadów na przykładzie zbiornika poflotacyjnego. Analiza eksploracyjna pozwoliła na wskazanie najistotniejszych parametrów dla modelu. Do klasyfikacji wykorzystano wybrane modele uczenia maszynowego: k najbliższych sąsiadów, SVM, RBF SVM, drzewo decyzyjne, las losowy, sieci neuronowe, QDA, które porównano w celu wytypowania najskuteczniejszego. Koncepcje opisane w tym artykule będą dalej rozwijane w projekcie IlluMINEation (H2020).

Słowa kluczowe

EN

hydrotechnics; tailing dam; data mining; risk analysis; strength parameter; tailings storage facility; Żelazny Most

PL

hydrotechnika; zbiornik poflotacyjny; eksploracja danych; analiza ryzyka; parametr wytrzymałościowy; składowisko odpadów; Żelazny Most

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2022
• Tom: Vol. 68, nr 2
• Strony: 297--311
• Opis fizyczny: Bibliogr. 19 poz., il., tab.

Twórcy

autor

Koperska Wioletta

• KGHM Cuprum Research and Development Centre, Wrocław, Poland

• https://orcid.org/0000-0002-5882-362X

autor

Stachowiak Maria

• KGHM Cuprum Research and Development Centre, Wrocław, Poland

• https://orcid.org/0000-0001-7501-3437

autor

Duda-Mróz Natalia

• KGHM Cuprum Research and Development Centre, Wrocław, Poland

• https://orcid.org/0000-0002-5320-5822

autor

Stefaniak Paweł

• KGHM Cuprum Research and Development Centre, Wrocław, Poland

• https://orcid.org/0000-0002-1772-5740

autor

Jachnik Bartosz

• KGHM Cuprum Research and Development Centre, Wrocław, Poland

• https://orcid.org/0000-0002-7050-4373

autor

Bursa Bartłomiej

• GEOTEKO Serwis Ltd., Warszawa, Poland

• https://orcid.org/0000-0001-8076-7006

autor

Stefanek Paweł

• KGHM Polska Miedz S.A., Lubin, Poland

• https://orcid.org/0000-0003-3357-0053

Bibliografia

• [1] I. Bagińska, W. Janecki, M. Sobótka, “On the interpretation of seismic cone penetration test (SCPT) results”, Studia Geotechnica et Mechanica, 2013, vol. 35, no. 4, pp. 3-11, DOI: 10.2478/sgem-2013-0033.
• [2] B. Bhattacharya, D.P. Solomatine, “Machine learning in soil classification”, Neural networks, 2006, vol. 19, no. 2, pp. 186-195, DOI: 10.1016/j.neunet.2006.01.005.
• [3] B.J. Douglas, “Soil classificaion using electric cone penetrometer”, in Symposium on Cone Penetration Testing and Experience. Geotechnical Engineering Division. ASCE, 1981, pp. 209-227.
• [4] H. Dudycz, P. Stefaniak, P. Pyda, “Advanced data analysis in multi-site enterprises. Basic problems and challenges related to the IT infrastructure”, in International Conference on Computational Collective Intelligence. Cham: Springer, 2019, pp. 383-393.
• [5] T.K. Ho, “The random subspace method for constructing decision forests”, IEEE transactions on pattern analysis and machine intelligence, 1998, vol. 20, no. 8, pp. 832-844, DOI: 10.1109/34.709601.
• [6] Illumineation. [Online]. Available: https://www.illumineation-h2020.eu.
• [7] M. Jamiolkowski, W.D. Carrier, R.J. Chandler, K. Høeg, W. Swierczynski, W. Wolski, “The geotechnical problems of the second world largest copper tailings pond at Zelazny Most, Poland”, in 1st Za Chieh-Moh Distinguished Lecture keynote speech, Proceedings of the 17th SEAGC South East Asian Geotechnical Conference, Taipei, Taiwan, vol. 2, J.C.C. Li, M.L. Lin, Eds. Taipei, 2010, pp. 12-27.
• [8] P. Kruczek, N. Gomolla, J. Hebda-Sobkowicz, A. Michalak, P. Śliwiński, J. Wodecki, R. Zimroz, “Predictive maintenance of mining machines using advanced data analysis system based on the cloud technology”, in Proceedings of the 27th International Symposium on Mine Planning and Equipment Selection-MPES 2018, Cham: Springer, 2019, pp. 459-470.
• [9] P.U. Kurup, E.P. Griffin, “Prediction of soil composition from CPT data using general regression neural network”, Journal of Computing in Civil Engineering, 2006, vol. 20, no. 4, pp. 281-289, DOI: 10.1061/(ASCE)0887-3801(2006)20:4(281).
• [10] T. Lunne, P.K. Robertson, J.J.M. Powell, Cone penetration testing in geotechnical practice. CRC Press, 1997.
• [11] A.J. Lutengger, In Situ Testing Methods in Geotechnical Engineering. Oxon: CRC Press, 2021, pp. 103-167.
• [12] P.K. Robertson, “Soil classification using the cone penetration test”, Canadian Geotechnical Journal, 1990, vol. 27, no. 1, pp. 151-158, DOI: 10.1139/t90-014.
• [13] P.K. Robertson, K.L. Cabal, Guide to cone penetration testing for geotechnical engineering. Gregg Drilling & Testing, 2010.
• [14] B. Schölkopf, A.J. Smola, R.C. Williamson, P.L. Bartlett, “New support vector algorithms”, Neural computation, 2000, vol. 12, no. 5, pp. 1207-1245, DOI: 10.1162/089976600300015565.
• [15] D.L. Skiles, F.C. Townsend, “Predicting Shallow Foundation Settlement in Sands from DMT”, in Vertical and Horizontal Deformations of Foundations and Embankments. ASCE Geotechnical Special Publications, no. 40. 1994, vol. 1, pp. 132-142.
• [16] S. Srivastava, M.R. Gupta, B.A. Frigyik, “Bayesian quadratic discriminant analysis”, Journal of Machine Learning Research, 2007, vol. 8, pp. 1277-1305.
• [17] P. Stefanek, J. Engels, K. Wrzosek, P. Sobiesak, M. Zalewski, “Surface tailings disposal at the Żelazny Most TSF, today and into the future”, in Proceedings of the 20th International Seminar on Paste and Thickened Tailings. University of Science and Technology Beijing, 2017, pp. 213-225, DOI: 10.36487/ACG_rep/1752_24_Stejanek.
• [18] K. Stefaniak, M. Wróżyńska, “On possibilities of using global monitoring in effective prevention of tailings storage facilities failures”, Environmental Science and Pollution Research, 2018, vol. 25, no. 6, pp. 5280-5297.
• [19] M. Wróżyńska, “Prediction of Postflotation Tailings Behavior in a Large Storage Facility”, Minerals, 2021, vol. 11, no. 4, p. 362, DOI: 10.3390/min11040362.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).