Prognozowanie parametrów jakości koksu określanych testem Nippon Steel Corporation z wykorzystaniem wybranych metod statystycznych i metod uczenia maszynowego

• Autorzy: Marcisz Jan , Michorczyk Piotr , Burczyk Aleksandra

Warianty tytułu

EN

Forecasting quality parameters of coke determined by Nippon Steel Corporation test using selected statistical methods and machine learning techniques

• Języki publikacji: PL

Abstrakty

PL

Kluczowym procesem pozwalającym zapewnić stabilność parametrów jakościowych produkowanego węgla i koksu jest proces rozpoznania złoża, pozwalający na osiągnięcie zamierzonego poziomu jakości poprzez odpowiednie harmonogramowanie ścian w aspekcie jakościowym. Jastrzębska Spółka Węglowa by sprostać wymaganiom rynku ciągle udoskonala swoje procesy w tym te związane z rozpoznaniem złoża i planowaniem produkcji. Wskaźniki reaktywności i wytrzymałości poreakcyjnej koksu są parametrami krytycznymi dla wydajnej pracy wielkiego pieca, niestety nie zawsze możliwe jest ich oznaczenie dla próbek geologicznych. W artykule omówiono możliwość zastosowania metod uczenia maszynowego w procesie prognozowania parametrów jakości koksu określanych testem Nippon Steel Corporation (NSC). W celu analizy danych i budowy modeli predykcyjnych wykorzystano oprogramowanie RapidMiner, które umożliwiło skuteczną eksplorację danych, budowę modeli oraz analizę wyników. Analiza historycznych danych geologicznych z pomocą popularnych technik uczenia maszynowego pokazała, że prace nad zastosowaniem sztucznej inteligencji w prognozowaniu jakości złoża są perspektywiczne i należy dążyć do identyfikacji najbardziej efektywnych podejść do tego zagadnienia.

EN

The key process for ensuring the stability of the quality parameters of the coal and coke produced is the process of bed reconnaissance, which allows the intended level of quality to be achieved through appropriate long-wall scheduling in terms of quality. To meet coal market demands, Jastrzębska Spółka Węglowa is constantly improving its processes, including those related to deposit reconnaissance and production planning. Coke reactivity and coke strength after reaction are critical parameters for efficient blast furnace operation; unfortunately, determining them for geological samples is not always possible. This paper discusses the possibility of using machine learning methods to predict coke quality parameters determined by Nippon Steel Corporation (NSC). RapidMiner software was used to analyze the data and build predictive models, which enabled efficient data mining, model building, and analysis of the results. Analysis of historical geological data with the help of popular machine learning techniques showed that work on applying AI in bed quality prediction is promising, and efforts should be made to identify the most effective approaches to this issue.

Słowa kluczowe

PL

węgiel; koks; jakość; uczenie maszynowe; sztuczna inteligencja

EN

coal; coke; quality; machine learning; artificial intelligence

• Wydawca: STE GROUP
• Czasopismo: Systemy Wspomagania w Inżynierii Produkcji
• Rocznik: 2024
• Tom: Vol. 13, iss. 2
• Strony: 89--99
• Opis fizyczny: Bibliogr. 15 poz.

Twórcy

autor

Marcisz Jan

• Jastrzębska Spółka Węglowa S.A., Aleja Jana Pawła II 4, 44-330 Jastrzębie-Zdrój, Polska

autor

Michorczyk Piotr

• Wydział Inżynierii i Technologii Chemicznej Katedra Chemii i Technologii Organicznej Politechnika Krakowska, Polska

autor

Burczyk Aleksandra

• Jastrzębska Spółka Węglowa S.A., Aleja Jana Pawła II 4, 44-330 Jastrzębie-Zdrój, Polska

Bibliografia

• [1] ASTM, "ASTM D3402-93: Standard test method for tumbler test for coke," ASTM International, West Conshohocken, PA, (1993).
• [2] Álvarez R., Díez M.A., Barriocanal C., Díaz-Faes E., Cimadevilla J.L.G.: An approach to blast furnace coke quality prediction, Fuel Volume 86, Issue 14, (2007).
• [3] De Cordova M., Madias J., Barreiro J.: Review on Modeling of Coal Blends for Prediction of Coke Quality, AISTech Proceedings (2016), 297-309.
• [4] Dyczko A.: Real-time forecasting of key coking coal quality parameters using neural networks and artificial intelligence, Rud.-geol.-naft. zb., vol. 38, no. 3, (2023), pp. 105-117.
• [5] Elliot M.: Coke stability from petrographic analysis of coal based on work of Shapiro and Gray), Chemistry of Coal Utilization, Second Supplementary Volume, pp. 146-154.
• [6] Gadsden R., Wilson R.: Evaluation of Australian coals and cokes for larges blast furnace, Ironmaking Conference Proceedings, (1981), pp 400-407
• [7] Jelonek I. , Jelonek Z.: The influence of petrographic properties of bituminous coal on the quality of metallurgical coke, The Bulletin of The Mineral and Energy Economy Research Institute of the Polish Academy of Sciences, (2017),100:49-65.
• [8] Jordan P.: Predicting coke quality based on coal petrography, rheology and coke petrography. Master thesis, University of the Witwatersrand, Johannesburg, South Africa, (2006).
• [9] Juranek G.: Evaluation of coals using the factor 'G', Ironmaking Conference Proceedings, (1979), pp. 371-384.
• [10] Leeder W.R., Gransden J.E., Price T.J., Botham J.C.: Prediction of coke quality with special reference to Canadian coals. Ironmaking Conference Proceedings, Volume 38, (1979), pp 385-397.
• [11] Mianowski A., Radko T., Koszorek A.: Ocena jakości wysokogatunkowego koksu wielkopiecowego w skali zintegrowanego testu reakcyjności i wytrzymałości NSC, Przemysł Chemiczny, vol. T. 88, nr 6, (2009), pp. 692-698.
• [12] North L., et al. : Methods of coke quality prediction: A review. Fuel 219, (2018), pp. 426-445.
• [13] Smędowski Ł, Krzesińska M.: Molecular oriented domains (MOD) and their effect on technological parameters within the structure of cokes produced from binary and ternary coal blends, International Journal of Coal Geology, Volume 111, (2013), pp. 90-97.
• [14] Ściażko M., Sobolewski A.: Prognozowanie jakości koksu : praca zbiorowa. Zabrze, Instytut Chemicznej Przeróbki Węgla, (2015), p. 243, ISBN 978-83-940055-0
• [15] Ulanovskiy M.L.: Ash basicity and the coke characteristics CRI and CSR: A review. Coke and Chemistry 57 (2014): pp. 91-97