Identification of macerals of the inertinite group using neural classifiers, based on selected textural features

• Autorzy: Skiba M. , Młynarczuk M.

Identyfikatory

DOI

10.24425/ams.2018.124978

Warianty tytułu

PL

Identyfikacja macerałów grupy inertynitu z wykorzystaniem klasyfikatorów neuronowych w oparciu o wybrane cechy tekstury

• Języki publikacji: EN

Abstrakty

EN

The petrographic composition of coal has a significant impact on its technological and sorption properties. That composition is most frequently determined by means of microscope quantitative analyses. Thus, aside from the purely scientific aspect, such measurements have an important practical application in the industrial usage of coal, as well as in issues related to the safety in underground mining facilities. The article discusses research aiming at analyzing the usefulness of selected parameters of a digital image description in the process of automatic identification of macerals of the inertinite group using neural networks. The description of the investigated images was based on statistical parameters determined on the basis of a histogram and co-occurrence matrix (Haralick parameters). Each of the studied macerals was described by means of a 20-element feature vector. An analysis of its principal components (PCA) was conducted, along with establishing the relationship between the number of the applied components and the effectiveness of the MLP network. Based on that, the optimum number of input variables for the investigated classification task was chosen, which resulted in reduction of the size of the network’s hidden layer. As part of the discussed research, the authors also analyzed the process of classification of macerals of the inertinite group using an algorithm based on a group of MLP networks, where each network possessed one output. As a result, average recognition effectiveness of 80.9% was obtained for a single MLP network, and of 93.6% for a group of neural networks. The obtained results indicate that it is possible to use the proposed methodology as a tool supporting microscopic analyses of coal.

PL

Skład petrograficzny węgla w istotnym stopniu wpływa na jego właściwości technologiczne oraz sorpcyjne. Jest on najczęściej wyznaczany za pomocą mikroskopowych analiz ilościowych. Obok aspektu czysto naukowego, tego typu pomiary odgrywają więc znaczącą rolę praktyczną w przemysłowym wykorzystaniu surowca oraz zagadnieniach związanych z bezpieczeństwem w kopalniach podziemnych. W artykule przedstawiono badania mające na celu analizę przydatności wybranych parametrów opisu obrazu cyfrowego do prac dotyczących automatycznej identyfikacji macerałów grupy inertynitu z wykorzystaniem sieci neuronowych. Opis badanych obrazów oparto o parametry statystyczne wyznaczone na podstawie histogramu oraz macierzy zdarzeń (parametry Haralicka). Każdy z badanych maceratów opisano za pomocą 20-elementowego wektora cech. Przeprowadzono analizę jego składowych głównych (PCA) oraz określono wpływ liczby zastosowanych składowych na skuteczność działania sieci MLP. Na tej podstawie dobrano optymalną liczbę zmiennych wejściowych dla rozpatrywanego zagadnienia klasyfikacji, co skutkowało redukcją wymiaru warstwy ukrytej sieci. W ramach opisanych prac przeprowadzono także analizy dotyczące klasyfikacji macerałów grupy inertynitu z wykorzystaniem algorytmu bazującego na grupie sieci MLP, z których każda posiadała jedno wyjście. W wyniku badań uzyskano średnią skuteczność rozpoznań na poziomie 80,9% dla pojedynczej sieci MLP oraz 93,6% w przypadku grupy sieci neuronowych. Otrzymane rezultaty wskazują na możliwość zastosowania proponowanej metodyki jako narzędzia wspierającego mikroskopowe analizy węgla.

Słowa kluczowe

EN

macerals of the inertinite group; neural networks; coal properties; Haralick parameters; co-occurrence matrix; principal component analysis (PCA)

PL

sieci neuronowe; analiza składowych głównych; macerały grupy inertynitu; właściwości węgla; parametry Haralicka; macierz zdarzeń

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2018
• Tom: Vol. 63, no. 4
• Strony: 827--837
• Opis fizyczny: Bibliogr. 20 poz., rys., tab., wykr.

Twórcy

autor

Skiba M.

• Strata Mechanics Research of the Polish Academy of Sciences, ul. Reymonta 27, 30-059 Krakow, Poland

autor

Młynarczuk M.

• Strata Mechanics Research of the Polish Academy of Sciences, ul. Reymonta 27, 30-059 Krakow, Poland

Bibliografia

• [1] Bodziony J., Gabzdyl W., Ratajczak T., 1986. Evaluation of effect of a subjective factor on the results of stereological analysis of coal. Arch. Min. Sci. 31, 689-702.
• [2] Crosdale P. J., Beamish B. B., Valix M., 1998. Coalbed methane sorption related to coal composition. International Journal of Coal Geology 35 (1-4), 147-158.
• [3] Czapliński A. (red.): Węgiel kamienny. Wydawnictwa AGH, Kraków 1994.
• [4] Ettinger I. L., Eremin I., Zimakov B., Yanovskaja M., 1966. Natural Factors Influencing Coal Sorption Properties. Fuel 45, 267-275.
• [5] Goldsztejn P., Adamczyk-Lorenc A., Derkowska-Sitarz M., 2005. Zastosowanie sieci neuronowych w geologii – przykłady z literatury światowej. Prace Naukowe Instytutu Górnictwa Politechniki Wrocławskiej, nr 113, str. 63-73.
• [6] Haralick R.M., Shanmugam K., Dinstein I., 1973. Textural Features for Image Classification, IEEE Transactions on Systems, Man and Cybernetics, Vol. SMC-3, No. 6, pp. 610-621.
• [7] Hou H., Shao L., Li Y., Li Z., Wang S., Zhang W., Wang X., 2017. Influence of coal petrology on methane adsorption capacity of the Middle Jurassic coal in the Yuqia Coalfield, northern Qaidam Basin, China. Journal of Petroleum Science and Engineering 149, 218-227.
• [8] ICCP (International Committee for Coal and Organic Petrology), 1975. International handbook of coal petrography. CNRS. 2nd Ed., 2nd Suppl., Paris.
• [9] ICCP (International Committee for Coal and Organic Petrology), 1985. International handbook of coal petrography. CNRS. Suppls to 2nd Ed., Univ. of Newcastle upon Tyne, England.
• [10] Jamróz D., Niedoba T., 2015. Application of multidimensional data visualization by means of self-organizing Kohonen maps to evaluate classification possibilities of various coal types. Arch. Min. Sci. 60, 1, 39-50.
• [11] Kudasik M., Skoczylas N., Pajdak A., 2017. The repeatability of sorption processes occurring in the coal-methane system during multiple measurement series. Energies 10, 5, Article Number: 661.
• [12] Marmo R., Alodio S., Tagliaferri R., Ferreri V., Longo G., 2005. Textural identyfication of carbonate rocks by image processing and neural network: Methodology proposal and examples. Computers & Geosciences 31, 5, 649-659.
• [13] Młynarczuk M., Bielecka M., Ślipek B., 2014. Klasyfikacja mikroskopowych obrazów skał przy wykorzystaniu sieci neuronowych. Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN, Sympozja i Konferencje, nr 86, s. 27-38.
• [14] Młynarczuk M., Skiba M., 2017. The application of artificial intelligence for the identification of the maceral groups and mineral components of coal. Computers & Geosciences 103, 133-141.
• [15] Ruilin Z., Lowndes I.S., 2010. The application of a coupled artificial neural network and fault tree analysis model to predict coal and gas outbursts. International Journal of Coal Geology 84, 2, 141-152.
• [16] Skiba M., Młynarczuk M., 2015. Możliwości wykorzystania sztucznych sieci neuronowych w badaniach petrograficznych węgla kamiennego. 10. Czesko-Polska Konferencja „Geologia Zagłębi Węglonośnych”, Documenta Geonica, Ostrava.
• [17] Skiba M., 2016. The influence of the discrepancies in the observers’ decisions on the process of identification of maceral groups using artificial neural networks. Journal of Sustainable Mining 15, 151-155.
• [18] Tadeusiewicz R., Gonciarz T., Borowik B., Leper B., 2007. Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#. Polska Akademia Umiejętności, Kraków.
• [19] Wierzbicki M., Skoczylas N., 2014. The outburst risk as a function of the methane capacity and firmness of a coal seam. Arch. Min. Sci. 59, 4, 1023-1031.
• [20] Ziaii M., Pouyan A.A. Ziaei M., 2009. Neuro-fuzzy modelling in mining geochemistry: Identification of geochemical anomalies. J. Geochem. Explor. 100, 25-36.

Uwagi

PL

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