Application of multi-parameter data visualization by means of multidimensional scaling to evaluate possibility of coal gasification

• Autorzy: Jamróz D. , Niedoba T. , Surowiak A. , Tumidajski T. , Szostek R. , Gajer M.

Identyfikatory

DOI

10.1515/amsc-2017-0034

Warianty tytułu

PL

Wykorzystanie wizualizacji wielowymiarowych danych przy użyciu skalowania wielowymiarowego do oceny możliwości zgazowania węgla

• Języki publikacji: EN

Abstrakty

EN

The application of methods drawing upon multi-parameter visualization of data by transformation of multidimensional space into two-dimensional one allow to show multi-parameter data on computer screen. Thanks to that, it is possible to conduct a qualitative analysis of this data in the most natural way for human being, i.e. by the sense of sight. An example of such method of multi-parameter visualization is multidimensional scaling. This method was used in this paper to present and analyze a set of seven-dimensional data obtained from Janina Mining Plant and Wieczorek Coal Mine. It was decided to examine whether the method of multi-parameter data visualization allows to divide the samples space into areas of various applicability to fluidal gasification process. The “Technological applicability card for coals” was used for this purpose [Sobolewski et al., 2012; 2013], in which the key parameters, important and additional ones affecting the gasification process were described.

PL

Metody służące do wizualizacji złożonych, wielowymiarowych danych poprzez transformację przestrzeni wielowymiarowej do dwuwymiarowej umożliwiają prezentację tych danych na ekranie komputera. Tym samym są przystępnym instrumentem analizy zbiorów danych, pozwalającym wykorzystać połączenie naszego wzroku z mocą naszej osobistej sieci neuronowej (mózgu) do wyodrębnienia z danych cech, których zauważenie przy pomocy innych metod może być bardzo trudne. W artykule zastosowano jedną z takich metod – skalowanie wielowymiarowe – w celu sprawdzenia, skuteczności tej metody do analizy próbek węgla ze względu na jego przydatność do procesu zgazowania w kotle fluidalnym. W tym celu pobrano próbki dwóch węgli, z KWK „Wieczorek” (węgiel typu 32) oraz ZG „Janina” (węgiel typu 31.2), które następnie miały być poddane testom pod względem ich przydatności do zgazowania. Każda z próbek została zbadana ze względu na cechy, których określone poziomy są kluczowe oraz wskazane w kontekście procesu zgazowania według „Karty przydatności węgli do zgazowania” (Sobolewski et al., 2012; 2013). Każdy z węgli został rozdzielony na osadzarce pierścieniowej (10 pierścieni, uziarnienie węgla 0-18 mm) w wyniku czego powstało pięć warstw (po 2 pierścienie każda). Następnie każda z warstw została rozsiana na 10 klas ziarnowych. Tak otrzymane produkty zostały poddane technicznej oraz chemicznej analizie (ogółem 50 próbek z ZG „Janina” oraz 49 próbek z KWK „Wieczorek” – klasa ziarnowa 16-18 mm w tej drugiej kopalni nie została uzyskana i pomiar był niemożliwy do zrealizowania. Tym samym otrzymano takie parametry do analizy jak: zawartość siarki, zawartość wodoru, zawartość azotu, zawartość chloru, zawartość węgla organicznego, ciepło spalania oraz zawartość popiołu. W wyniku przeprowadzonych badań oraz porównania ich z wymogami prezentowanymi w „Karcie przydatności węgli do zgazowania” okazało się, że tylko 18 próbek spełnia wszystkie wymogi, z czego aż 17 pochodziło z KWK „Wieczorek”. Postanowiono poddać ocenie wszystkie próbki bardziej złożonej obserwacji – wielowymiarowej analizie danych za pomocą skalowania wielowymiarowego. W rozdziale 3 przedstawiono szczegółowo zastosowaną metodologię analizy wraz z opisem algorytmu. Następnie, w rozdziale 4 przedstawiono wyniki obserwacji przeprowadzonych za pomocą opracowanego w tym celu programu komputerowego, napisanego w języku C++. Rysunki 1-3 przedstawiają sytuację, gdzie dane reprezentujące próbki węgla mniej lub bardziej przydatne do zgazowania zaczynają tworzyć podgrupy. Proces grupowania został przedstawiony etapowo, tzn. rys. 1 prezentuje sytuację wyjściową, Rys. 2 sytuację przy bardzo małej wartości parametru ITER = 5, zaś Rys. 3 najlepszy możliwy widok, otrzymany przy wartości parametru ITER = 340. Widać na tym rysunku, że obrazy punktów reprezentujących próbki węgla bardziej oraz mniej podatnego na zgazowanie zajmują osobne podobszary. Widać, że na całym obszarze rysunku, podobszary te można łatwo od siebie odseparować. Przez to możemy na podstawie tego rysunku stwierdzić, że skalowanie wielowymiarowe pozwala podzielić przestrzeń próbek na obszary o różnej przydatności do procesu zgazowania fluidalnego. Dzięki temu analizując następne, nieznane próbki możemy poprzez ich wizualizację zakwalifikować je do grupy bardziej podatnych na zgazowanie lub mniej podatnych na zgazowanie. Ważne jest to szczególnie dlatego, ponieważ w analizowanej sytuacji próbki węgla bardziej podatnego na zgazowanie zajmują wnętrze siedmiowymiarowego prostopadłościanu – co jest znacznym uproszczeniem. Wynika to bezpośrednio z faktu, iż przyjęte warunki określające przynależność do tej grupy („Karta przydatności Technologicznej węgla”) to proste nierówności przy pomocy których łatwo można sprawdzić taką przynależność. W rzeczywistości, może się jednak okazać, że obszar przynależności może mieć znacznie bardziej skomplikowany kształt. Wtedy na podstawie większej ilości próbek, których przynależność do klasy węgla bardziej podatnego na zgazowanie zostanie stwierdzona empirycznie, można będzie próbować przy pomocy skalowania wielowymiarowego uzyskać podział przestrzeni na obszary reprezentujące próbki węgla bardziej oraz mniej podatnego na zgazowanie. Rys. 4 przedstawia podobny podział, ale bez wzięcia pod uwagę parametru „zawartość chloru”. Również i w tym przypadku próbki węgla mniej lub bardziej podatnego na zgazowanie tworzą wyraźne podgrupy. Przy pominięciu parametru „zawartość chloru” już 78 próbek (37 z ZG „Janina” oraz 41 z KWK „Wieczorek”) z analizowanych 99-ciu spełniałoby wymogi zawarte w „Karcie przydatności węgla do zgazowania”. Rys. 5 przedstawia inne podejście do analizowanych próbek węgla. Tym razem za kryterium podziału przyjęto pochodzenie węgla z KWK „Wieczorek” lub ZG „Janina”, bez rozpatrywania ich w kontekście przydatności do zgazowania. Również i tym razem okazało się, że zastosowana metodologia pozwala stwierdzić możliwość efektywnego rozdzielenia, a tym samym prawidłowego rozpoznania analizowanych próbek węgla. Tym samym dowiedziono, że metoda skalowania wielowymiarowego może być bardzo przydatnym narzędziem podczas wieloparametrycznej analizy próbek różnego typu węgli.

Słowa kluczowe

EN

coal gasification; multidimensional visualization; multidimensional scaling; MDS; multidimensional data

PL

zgazowanie węgla; wizualizacja wielowymiarowa; skalowanie wielowymiarowe; MDS; wielowymiarowe dane; wzbogacanie w osadzarkach

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2017
• Tom: Vol. 62, no. 3
• Strony: 445--457
• Opis fizyczny: Bibliogr. 49 poz., wykr.

Twórcy

autor

Jamróz D.

• AGH University of Science and Technology, Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering, Department of Applied Computer Science, Al. Mickiewicza 30, 30-059 Kraków, Poland

autor

Niedoba T.

• AGH University of Science and Technology, Faculty of Mining and Geoengineering, Department of Environmental Engineering and Mineral Processing, Al. Mickiewicza 30, 30-059 Kraków, Poland

autor

Surowiak A.

• AGH University of Science and Technology, Faculty of Mining and Geoengineering, Department of Environmental Engineering and Mineral Processing, Al. Mickiewicza 30, 30-059 Kraków, Poland

autor

Tumidajski T.

• AGH University of Science and Technology, Faculty of Mining and Geoengineering, Department of Environmental Engineering and Mineral Processing, Al. Mickiewicza 30, 30-059 Kraków, Poland

autor

Szostek R.

• Rzeszow University of Technology, Faculty of Management, Department of Quantitative Methods, Al. Powstańców Warszawy 12, 35-959 Rzeszów, Poland

autor

Gajer M.

• AGH University of Science and Technology, Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering, Department of Applied Computer Science, Al. Mickiewicza 30, 30-059 Kraków, Poland

Bibliografia

• [1] Agrawal R.K., 2011. Coal gasification. in: Rao K.R. (ed.): Energy and power generation handbook: Established and emerging technologies, chapter 20.
• [2] Ahmed H.A.M., Drzymała J., 2005. Two-dimensional fractal linearization of distribution curves. Physicochemical Problems of Mineral Processing 39, 129-139.
• [3] Blaschke W., 2009. Hard coal processing – gravitational beneficiation. Kraków, Wydawnictwo IGSMiE PAN, [in Polish].
• [4] Borowiecki T., Kijeński J., Mochnikowski J., Ściążko M. (eds.), 2008. Clean energy, chemical products and coal fuels – evaluation of development potential. IChPW, Zabrze, [in Polish].
• [5] Brożek M., Surowiak A., 2005. The Dependence of Distribution of Settling Velocity of Spherical Particles on the Distribution of Particle Sizes and Densities. Physicochemical Problems of Mineral Processing 39, 199-210.
• [6] Brożek M., Surowiak A., 2007. Effect of Particle Shape on Jig Separation Efficiency, Physicochemical Problems of Mineral Processing 41, 397-413.
• [7] Brożek M., Surowiak A., 2010. Argument of Separation at Upgrading in the Jig. Archives of Mining Sciences 55, 21-40.
• [8] Chmielniak T., Tomaszewicz G., 2012. Gasification of solid fuels – present state and forecasted directions of development. Karbo 3, 191-201, [in Polish].
• [9] Drzymała J., 2007. Mineral processing : foundations of theory and practice of minerallurgy. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
• [10] Drzymała J., 2009. Basics of minerallurgy. Oficyna Wydawnicza Politechniki Wrocławskiej, [in Polish].
• [11] Dzik T., Gawenda T., Krawczykowska A., Krawczykowski D., Marciniak-Kowalska J., 2014. Investigations of coal beneficiation by mechanical mineral processing, volume I: Preparation of coals to on-surface gasification in fluidized bed gas generator by application of mechanical mineral engineering – initial investigations. Grafpol, Wroclaw, [in Polish].
• [12] Gawenda T., Krawczykowski D., Marciniak-Kowalska J., 2014a. Investigations of coal beneficiation by mechanical mineral processing, volume II: Comminution, granulometric classification and coal beneficiation of coals destined to on-surface gasification in fluidized bed gas generator. Grafpol, Wroclaw, [in Polish].
• [13] Gawenda T., Krawczykowski D., Marciniak-Kowalska J., 2014b. Investigations of coal beneficiation by mechanical mineral processing, volume III: Investigation of the coal preparation process for terrestrial gasification in a fluidized bed gas generator with the application of mechanical processes of mineral engineering. Grafpol, Wroclaw.
• [14] Jamróz D., 2001. Visualization of objects in multidimensional spaces. Doctoral Thesis, AGH, Kraków, [in Polish].
• [15] Jamróz D., 2009. Multidimensional labyrinth – multidimensional virtual reality. In: Cyran K., Kozielski S., Peters J., Stanczyk U., Wakulicz-Deja A. (eds.): Man-Machine, Interactions, AISC, Heidelberg, Springer-Verlag 59, 445-450.
• [16] Jamróz D., 2014a. Application of Multidimensional Data Visualization in Creation of Pattern Recognition Systems. In: Gruca A., Czachórski T., Kozielski S. (eds.), Man-Machine, Interactions 3, AISC, Switzerland, Springer International Publishing 242, 443-450.
• [17] Jamróz D., 2014b. Application of multidimensional scaling to classification of various types of coal. Archives of Mining Sciences 59, 2, 413-425.
• [18] Jamróz D., 2014c. Application of multi-parameter data visualization by means of autoassociative neural networks to evaluate classification possibilities of various coal types. Physicochemical Problems of Mineral Processing 50 (2), 719-734.
• [19] Jamróz D., paper in print. The perspective-based observational tunnels method: A new method of multidimensional data visualization. Information Visualization.
• [20] Jamróz D., Niedoba T., 2014. Application of Observational Tunnels Method to Select Set of Features Sufficient to Identify a Type of Coal. Physicochemical Problems of Mineral Processing 50 (1), 185-202.
• [21] Jamróz D., Niedoba T., 2015. Comparison of selected methods of multi-parameter data visualization used for classification of coals. Physicochemical Problems of Mineral Processing 51 (2).
• [22] Kim S.-S., Kwon S., Cook D., 2000. Interactive visualization of hierarchical clusters using MDS and MST. Metrika 51, Springer-Verlag, 39-51.
• [23] Kosminski A., Ross D.P., Agnew J.B., 2006. Transformations of sodium during gasification of low-rank coal. Fuel Processing Technology, 943-952.
• [24] Kruskal J. B., 1964. Multidimensional scaling by optimizing goodness of fit to a nonmetric hypothesis. Psychometrika 29, 1-27.
• [25] Lee S., Speight J.G., Loyalka S.K., 2007. Handbook of alternative fuel technologies. CRC Press, Taylor & Francis Group.
• [26] Marciniak-Kowalska J. (eds.), 2012-13. Report of NCBiR project: Elaboration of coal gasification tech nology for highly efficient production of fuels and energy. Report from research topic 2.1.2 Investigation of coal beneficiation by mechanical processing, not published work, [in Polish].
• [27] Marciniak-Kowalska J., Niedoba T., Surowiak A., Tumidajski T., 2014. Multi-criteria evaluation of coal properties in terms of gasification. Archives of Mining Sciences 59, 3, 677-690.
• [28] Niedoba T., 2009. Multidimensional distributions of grained materials characteristics by means of non-parametric approximation of marginal statistical density function. AGH Journal of Mining and Geoengineering 4, 235-244, [in Polish].
• [29] Niedoba T., 2011. Three-dimensional distribution of grained materials characteristics. In: Proceedings of the XIV Balkan Mineral Processing Congress, Tuzla, Bosnia and Herzegovina 1, 57-59.
• [30] Niedoba T., 2013a. Multidimensional characteristics of random variables in description of grained materials and their separation processes, Wydawnictwo Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN, Kraków, [in Polish].
• [31] Niedoba T., 2013b. Statistical analysis of the relationship between particle size and particle density of raw coal. Physicochemical Problems of Mineral Processing 49, 1, 175-188.
• [32] Niedoba T., 2014. Multi-parameter data visualization by means of principal component analysis (PCA) in qualitative evaluation of various coal types. Physicochemical Problems of Mineral Processing 50, 2, 575-589.
• [33] Niedoba T., Jamróz D., 2013. Visualization of multidimensional data in purpose of qualitative classification of various types of coal. Archives of Mining Sciences 58, 4, 1317-1333.
• [34] Niedoba T., Surowiak A., 2012. Type of coal and multidimensional description of its composition with density and ash contents taken into consideration. In: Proceedings of the XXVI International Mineral Processing Congress 1, 3844-3854.
• [35] Saramak D., 2013. Mathematical models of particle size distribution in simulation analysis of High-pressure grinding rolls operation. Physicochemical Problems of Mineral Processing 49 (1), 495-512.
• [36] Sobolewski A., Chmielniak T., Topolnicka T., Świeca G., 2012. Characteristics of Polish coals in aspect of their suitability to fluidal gasification process. The Polish Mining Review 2, 174-183, [in Polish].
• [37] Sobolewski A., Chmielniak T., Topolnicka T., Gieza N., 2013. Selection of coals to gasification in pressured fluidal reactor. Karbo 1, 28-38, [in Polish].
• [38] Strugała A., Czalicka-Kolarz K., Ściążko M., 2011. Projects of new Technologies of coal gasification created within Strategic Program of NCBiR. Energy Policy Journal 14 (2), 375-390, [in Polish].
• [39] Strugała A., Czerski G., 2012. Investigation of gasification technologies of coal in Poland. Polish Journal of Chemistry 91 (11), 2181-2185, [in Polish].
• [40] Surowiak A., 2013a. Assessment of coal mineral matter liberation efficiency index. Journal of the Polish Mineral Enginerring Society 14 (2), 153-158, [in Polish].
• [41] Surowiak A., 2013b. Investigation of hard coal beneficiation destined to gasification process in fluidized bed gas generator. The Polish Mining Review 69 (2), 239-244, [in Polish].
• [42] Surowiak A., 2014a. Possibilities of hard coal processing destined to on-surface gasification. The Polish Mining Review 70 (4), 59-66.
• [43] Surowiak A., 2014b. Influence of particle density distributions of their settling velocity for narrow size fractions. Mineral Resources Management 30, 105-122, [in Polish].
• [44] Surowiak A., Brożek M., 2014a. Methodology of Calculation the Terminal Settling Velocity Distribution of Spherical Particles for High Values of the Reynold’s Number. Archives of Mining Sciences 59, 1, 269-283.
• [45] Surowiak A., Brożek M., 2014b. Methodology of calculation the terminal settling velocity distribution of irregular particles for values of the Reynold’s number. Archives of Mining Sciences 59, 2, 553-562.
• [46] Szostek R., 2003. Application of neural networks to approximate probability distributions using Cox distributions. AGH University of Science and Technology Journals, Electrical Engineering and Electronics, Krakow 22 (2), 114-122, [in Polish].
• [47] Szostek R., Suraj Z., 2002. The use covert of Markov chains to analyze the temporal information systems. Folia Scientiarum Universitatis Technicae Resoviensis, Mathematics, Rzeszow 26, 263-273, [in Polish].
• [48] Tumidajski T., 1997. Stochastic analysis of grained materials properties and their separation processes. Wydawnictwo AGH, Kraków, [in Polish].
• [49] Tumidajski T., Saramak D., 2009. Methods and models of mathematical statistics in mineral processing. Wydawnictwo AGH, Kraków, [in Polish].

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017)