Zastosowanie sztucznych sieci neuronowych ANN do prognozowania temperatury powietrza w wyrobiskach ścianowych wietnamskich kopalń antracytu

• Autorzy: Quan Truong Tien , Zwolińska-Glądys Klaudia , Łuczak Rafał , Borowski Marek

Identyfikatory

DOI

10.29227/IM-2023-02-60

Warianty tytułu

EN

Application of ANN Artificial Neural Networks to Predict Air Temperature in Longwall Workings of Vietnamese Anthracite Mines

• Języki publikacji: PL

Abstrakty

PL

Aby zaspokoić rosnące zapotrzebowanie Wietnamu na energię, kopalnie zwiększają wydobycie węgla, przez co wzrasta głębność eksploatacji i zakładane są nowe poziomy wydobywcze na coraz większych głębokościach. Wzrost intensywności i efektywności wydobycia może być realizowany poprzez wydajne kompleksy ścianowe o dużej mocy elektrycznej maszyn i urządzeń. Warunki klimatyczne w Wietnamie, warunki geologiczne zalegania pokładów węgla, głębokości eksploatacji, zastosowanie maszyn o większej mocy elektrycznej, mechanizacja robót górniczych przyczyniają się do wzrostu temperatury powietrza w podziemnych wyrobiskach górniczych. W celu zapewnienia wymaganych warunków pracy górników należy zwiększyć efektywność wentylacji wyrobisk. Niestety nie zawsze jest to niewystarczające dla zapewnienia wymaganych warunków i konieczne jest zastosowanie układów chłodzenia powietrza z wykorzystaniem systemów klimatyzacji. Na zmiany temperatury powietrza w wyrobiskach górniczych wpływa wiele czynników naturalnych i technicznych oraz organizacyjnych, które trudno je ująć metodami analitycznymi. Dlatego do prognozowania temperatury zaproponowano metodę opartą na modelu sztucznej sieci neuronowej ANN, która umożliwia prognozowanie temperatury w powietrza wyrobisk ścianowych. Wyniki prognozy temperatury powietrza zostały porównane z danymi pomiarowymi. Z przeprowadzonych analiz wynika, że dane rzeczywiste i prognozowane są ze sobą zgodne, dlatego przedstawiona metoda może być wykorzystana jako narzędzie służb górniczych w walce z zagrożeniem klimatycznym w wyrobiskach podziemnych.

EN

To meet Vietnam's growing energy demand, mines are increasing coal extraction, which results in growing depth of exploitation and establishing new mining levels at greater depths. An increase in the intensity and efficiency of mining can be achieved through efficient longwall complexes with high electrical power of machines and devices. Climatic conditions in Vietnam, geological conditions of coal seams, exploitation depth, use of machines with higher electrical power, and mechanization of mining work contribute to the increase in air temperature in underground mine workings. To ensure the required working conditions for miners, the efficiency of mine workings ventilation should be increased. Unfortunately, this is not always sufficient to ensure the required conditions, and it is necessary to use air cooling systems using air conditioning systems. Changes in air temperature in mining excavations are influenced by many natural, technical, and organizational factors, which are difficult to capture using analytical methods. Therefore, a method based on the ANN artificial neural network model was proposed for temperature forecasting, which enables forecasting the air temperature in mechanized and non-mechanized longwall workings. The air temperature forecast results were compared with measurement data. The analyses show that the actual and forecast data correspond with each other. Therefore, the presented method can be used as a tool for mining services in the fight against the climate threat in underground mines.

Słowa kluczowe

PL

kopalnie antracytu; zmechanizowane systemy eksploatacji; warunki klimatyczne; prognozowanie temperatury; sztuczne sieci neuronowe (ANNs)

EN

anthracite mines; mechanized mining systems; climatic conditions; temperature forecasting; artificial neural networks (ANNs)

• Wydawca: Polskie Towarzystwo Przeróbki Kopalin
• Czasopismo: Inżynieria Mineralna
• Rocznik: 2023
• Tom: no. 2, vol. 2
• Strony: 79--86
• Opis fizyczny: Bibliogr. 22 poz., rys., tab., wykr.

Twórcy

autor

Quan Truong Tien

• Institute of Mining Science and Technology, Hanoi, Vietnam

autor

Zwolińska-Glądys Klaudia

• AGH Akademia Górniczo-Hutnicza, Kraków

• https://orcid.org/0000-0003-4581-3489

autor

Łuczak Rafał

• AGH Akademia Górniczo-Hutnicza, Kraków

• https://orcid.org/0000-0001-6897-8679

autor

Borowski Marek

• AGH Akademia Górniczo-Hutnicza, Kraków

• https://orcid.org/0000-0003-4736-4824

Bibliografia

• 1. Q. Truong Tien, R. Łuczak, i P. Życzkowski, „Climatic hazard assessment in selected underground hard coal mines in Vietnam”, Inż. Miner., nr 2, s. 155–163, 2019, doi: http://doi.org/10.29227/IM-2019-02-67.
• 2. Ministry of Industry and Trade of Vietnam, „National technical regulation on safety in underground coal mining QCVN 01: 2011 / BCT (Issued together with Circular No. 03/2011 / TT-BCT of February 15, 2011) of the Minister of Industry and Trade). Bộ Công thương Việt Nam: Quy chuẩn kỹ thuật quốc gia về an toàn trong khai thác than hầm lò QCVN 01:2011/BCT (Ban hành kèm theo thông tư số 03/2011/TT-BCT ngày 15 tháng 02 năm 2011 của Bộtrưởng Bộ Công thương)”. 2011.
• 3. M. Borowski, Q. Truong Tien, R. Łuczak, i P. Życzkowski, „Selection and calculation of air cooling solutions in underground coal mines in Vietnam”, Inż. Miner., t. no. 2, 2, s. 237–244, 2020, doi: http://doi.org/10.29227/IM2020-02-68.
• 4. C. W. Biccard Jeppe, „The estimation of ventilation air temperatures in deep mines”, J. Chem. Metall. Min. Soc. South Afr., t. 40, nr 1, 1939.
• 5. A. M. Starfield, „A Rapid Method of Calculating Temperature increases along Mine Airwayst”, J. SOUTH Afr. Inst. Min. Metall., s. 7.
• 6. M. Stokes, A. J. Ross, M. A. Tuck, i I. S. Lowndes, „Computer Simulation of Climatic Conditions in Rapid Development Drivages”, Proc. 6th Int. Mine Vent. Congr. SME Littleton CO, s. 283–288, 1997.
• 7. V. Kertikov, „Air temperature and humidity in dead-end headings with auxiliary ventilation”, Proc. 6th Int. Mine Vent. Congr. SMME Littleton CO USA, s. 269–276, 1997.
• 8. K. L. Gibson, „The computer simulation of climatic conditions in underground mines.”, Ph.D., University of Nottingham, 1976. Dostęp: luty 26, 2021. [Online]. Dostępne na: https://ethos.bl.uk/OrderDetails.do?uin=uk.bl.ethos.456575
• 9. I. S. Lowndes, A. J. Crossley, i Z.-Y. Yang, „The ventilation and climate modelling of rapid development tunnel drivages”, Tunn. Undergr. Space Technol., t. 19, nr 2, s. 139–150, mar. 2004, doi: 10.1016/j.tust.2003.09.003.
• 10. W. Lyu, S. Cai, P. Yang, i Y. Zhang, „Underground environment parameter prediction in a deep mine”, 2017, s. 949–960. doi: DOI: 10.36487/ACG_rep/1704_65_Lyu.
• 11. W. S. McCulloch i W. Pitts, „A logical calculus of the ideas immanent in nervous activity”, s. 19.
• 12. M. Borowski i K. Zwolińska, „Prediction of Cooling Energy Consumption Using a Neural Network on the Example of the Hotel Building”, Proceedings, t. 58, nr 1, s. 21, wrz. 2020, doi: 10.3390/WEF-06917.
• 13. P. Roghanchi i K. C. Kocsis, „Quantifying the thermal damping effect in underground vertical shafts using the nonlinear autoregressive with external input (NARX) algorithm”, Int. J. Min. Sci. Technol., t. 29, nr 2, s. 255–262, mar. 2019, doi: 10.1016/j.ijmst.2018.06.002.
• 14. S. Kalogirou, Artificial Intelligence in Energy and Renewable Energy Systems. New York, NY, USA,: Nova Science Publishers, 2007.
• 15. Vinacomin-Ha Lam Joint Stock Company, „Explanatory statement about exploiting the longwall of CGH 11-1-16 in the coal seam 11 in the Ha Lam mine, Quang Ninh. (Công ty than Hà Lầm, Thuyết minh khai thác lò chợ CGH 11-1-16 vỉa 11, Quảng Ninh).” Document is not public, 2018.
• 16. Mining Safety Center -Institute of Mining Science and Technology - Vinacomin, „Investigation of air composition parameters in the longwall TT-11-6 in the coal seam 11 in the central part of the Duong Huy mine, Quang Ninh (Khảo sát các thông số của thành phần không khí tại khu vực lò chợ TT-11-6, vỉa 11, khu Trung Tâm, mỏ than Dương Huy, Quảng Ninh)”. Document is not public, 2020.
• 17. Mining Safety Center -Institute of Mining Science and Technology - Vinacomin, „Investigation of air temperature in the longwall I-8-3A in the area Gieng Vang Danh, Vang Danh mine, QuangNinh. (Khảo sát thành phần không khí khu vực lò chợ I-8-3A - Phần lò Giếng, Mỏ than Vàng Danh, Quảng Ninh)”. Document is not public, 2019.
• 18. D. Zhao, M. Zhong, X. Zhang, i X. Su, „Energy consumption predicting model of VRV (Variable refrigerant volume) system in office buildings based on data mining”, Energy, t. 102, s. 660–668, maj 2016, doi: 10.1016/j.energy.2016.02.134.
• 19. P. Lara-Benítez, M. Carranza-García, J. M. Luna-Romera, i J. C. Riquelme, „Temporal Convolutional Networks Applied to Energy-related Time Series Forecasting”, MATHEMATICS & COMPUTER SCIENCE, preprint, mar. 2020. doi: 10.20944/preprints202003.0096.v1.
• 20. T. Liu, Z. Tan, C. Xu, H. Chen, i Z. Li, „Study on deep reinforcement learning techniques for building energy consumption forecasting”, Energy Build., t. 208, s. 109675, luty 2020, doi: 10.1016/j.enbuild.2019.109675.
• 21. Ö. A. Dombaycı, „The prediction of heating energy consumption in a model house by using artificial neural networks in Denizli–Turkey”, Adv. Eng. Softw., t. 41, nr 2, s. 141–147, luty 2010, doi: 10.1016/j.advengsoft.2009.09.012.
• 22. „Statsoft”, https://www.statsoft.pl/textbook/stathome.html.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).