Wyniki wyszukiwania - BazTech

1

A sorting method for coal and gangue based on surface grayness and glossiness

Cheng Gang, Wei Yifan, Chen Jie, Pan Zeye

Gospodarka Surowcami Mineralnymi

|

2023

|

T. 39, z. 3

173--198

EN

Sorting coal and gangue is important in raw coal production; accurately identifying coal and gangue is a prerequisite for effectively separating coal and gangue. The method of extracting coal and gangue using image grayscale information can effectively identify coal and gangue, but the recognition rate of the sorting process based on image grayscale information needs to substantially higher than that which is needed to meet production requirements. A sorting method of coal and gangue using object surface grayscale-gloss characteristics is proposed to improve the recognition rate of coal and gangue. Using different comparative experiments, bituminous coal from the Huainan area was used as the experimental object. It was found that the number of pixel points corresponding to the highest level grey value of the grayscale moment and illumination component of the coal and gangue images were combined into a total discriminant value and used as input for the best classification of coal and gangue using the GWO-SVM classification model. The recognition rate could reach up to 98.14%. This method sorts coal and gangue by combining surface greyness and glossiness features, optimizes the traditional greyness-based recognition method, improves the recognition rate, makes the model generalizable, enriches the research on coal and gangue recognition, and has theoretical and practical significance in enterprise production operations.

PL

Sortowanie węgla i skały płonnej jest ważne w produkcji węgla surowego; dokładna identyfikacja węgla i skały płonnej jest warunkiem wstępnym skutecznego oddzielenia tych surowców. Metoda rozdzielenia węgla i skały płonnej przy użyciu informacji w skali szarości obrazu może skutecznie identyfikować węgiel i skałę płonną, ale stopień rozpoznawania procesu sortowania w oparciu o te informacje być znacznie wyższy niż wymagany do spełnienia wymagań produkcyjnych. W artykule zaproponowano metodę sortowania węgla i skały płonnej wykorzystującą charakterystykę połysku i skali szarości powierzchni obiektu w celu poprawy szybkości rozpoznawania węgla i skały płonnej. W badaniach wykorzystano próbki węgla kamiennego z obszaru Huainan. Stwierdzono, że liczbę punktów pikseli odpowiadającą najwyższemu poziomowi szarości momentu w skali szarości i składowej oświetlenia obrazów węgla i skały płonnej połączono w całkowitą wartość dyskryminującą i wykorzystano jako dane wejściowe dla najlepszej klasyfikacji węgla i skały płonnej przy użyciu modelu klasyfikacji GWO-SVM. Wskaźnik rozpoznawalności może osiągnąć nawet 98,14%. Ta metoda sortowania węgla i skały płonnej poprzez połączenie cech szarości i połysku powierzchni, optymalizuje tradycyjną metodę rozpoznawania w oparciu o szarość, poprawia współczynnik rozpoznawania, umożliwia uogólnienie modelu, wzbogaca badania nad rozpoznawaniem węgla i skały płonnej, ma znaczenie teoretyczne i praktyczne w operacjach produkcyjnych przedsiębiorstwa.

2

An expert system for equipment selection of thin coal seam mining

Wang Chen, Chen Jie, Liu Yong, Jiang Chengyu

Gospodarka Surowcami Mineralnymi

|

2019

|

T. 35, z. 3

143--162

EN

As one of the key techniques in the fully mechanized mining process, equipment selection and matching has a great effect on security, production and efficiency. The selection and matching of fully mechanized mining equipment in thin coal seam are restricted by many factors. In fully mechanized mining (FMM) faced in thin coal seams (TCS), to counter the problems existing in equipment selection, such as many the parameters concerned and low automation, an expert system (ES) of equipment selection for fully mechanized mining longwall face was established. A database for the equipment selection and matching expert system in thin coal seam, fully mechanized mining face has been established. Meanwhile, a decision-making software matching the ES was developed. Based on several real world examples, the reliability and technical risks of the results from the ES was discussed. Compared with the field applications, the shearer selection from the ES is reliable. However, some small deviations existed in the hydraulic support and scraper conveyor selection. Then, the ES was further improved. As a result, equipment selection in fully mechanized mining longwall face called 4301 in the Liangshuijing coal mine was carried out by the improved ES. Equipment selection results of the interface in the improved ES is consistent with the design proposal of the 4301 FMM working face. The reliability of the improved ES can meet the requirements of the engineering. It promotes the intelligent and efficient mining of coal resources in China.

PL

Dobór sprzętu, jako jedna z kluczowych technik w pełni zmechanizowanego procesu wydobycia, ma ogromny wpływ na bezpieczeństwo, produkcję i wydajność. Wybór i dopasowanie w pełni zmechanizowanego sprzętu górniczego w cienkim pokładzie węgla jest ograniczone przez wiele czynników. W przypadku całkowicie zmechanizowanej ściany wydobywczej węgla (FMM) w cienkich pokładach (TCS) przeciwdziałanie problemom związanym z wyborem sprzętu, takim jak m.in.: wielość rozpatrywanych parametrów i niska automatyzacja, ustanowiono system ekspercki (ES) doboru sprzętu do w pełni zmechanizowanej ściany wydobywczej. Utworzono bazę danych systemu doboru i dopasowania systemu eksperckiego w cienkich pokładach węgla w pełni zmechanizowanej ściany wydobywczej. Jednocześnie opracowano oprogramowanie do podejmowania decyzji, dopasowane do ES. Na podstawie kilku rzeczywistych przykładów omówiono wiarygodność i ryzyko techniczne związane z wynikami ES. W porównaniu z zastosowaniem obecnym, wybór kombajnu systemem eksperckim (ES) jest niezawodny. Wystąpiły jednak pewne niewielkie odchylenia w wyborze stojaków hydraulicznych i przenośnika zgarniającego, następnie ES został ulepszony. W rezultacie poprawiono wybór sprzętu w całkowicie zmechanizowanej ścianie wydobywczej o nazwie 4301 w kopalni Liangshuijing. Interfejs wyników wyboru sprzętu w ulepszonym ES jest zgodny z propozycją projektu 4301 FMM roboczej ściany wydobywczej. Niezawodność ulepszonego ES może spełniać wymagania inżynieryjne. Promuje inteligentne i wydajne wydobycie zasobów węgla w Chinach.

3

Evaluation of rockburst potential in kimberlite using fruit fly optimization algorithm and generalized regression neural networks

Pu Yuanyuan, Apel Derek B., Pourrahimian Yashar, Chen Jie

Archives of Mining Sciences

|

2019

|

Vol. 64, no. 2

279--296

EN

Rockburst is a common engineering geological hazard. In order to evaluate rockburst liability in kimberlite at an underground diamond mine, a method combining generalized regression neural networks (GRNN) and fruit fly optimization algorithm (FOA) is employed. Based on two fundamental premises of rockburst occurrence, depth, σθ, σc, σt, B1, B2, SCF, Wet are determined as indicators of rockburst, which are also input vectors of GRNN model. 132 groups of data obtained from rockburst cases from all over the world are chosen as training samples to train the GRNN model; FOA is used to seek the optimal parameter σ that generates the most accurate GRNN model. The trained GRNN model is adopted to evaluate burst liability in kimberlite pipes. The same eight rockburst indicators are acquired from lab tests, mine site and FEM model as test sample features. Evaluation results made by GRNN can be confirmed by a rockburst case at this mine. GRNN do not require any prior knowledge about the nature of the relationship between the input and output variables and avoid analyzing the mechanism of rockburst, which has a bright prospect for engineering rockburst potential evaluation.

PL

Tąpnięcia skał są powszechnym i ogólnie znanym zagrożeniem dla środowiska geologicznego oraz dla budowli. Do oceny skłonności skał do tąpania w podziemnej kopalni diamentów w Kimberlite zastosowano metodę stanowiącą połączenie sieci neuronowych realizujących uogólnioną regresję i algorytm muszki owocowej. W oparciu o dwie podstawowe przesłanki wystąpienia tąpnięcia, głębokość oraz σθ, σc, σt, wielkości B1, B2, SCF, Wet określone zostały jako wskaźniki wystąpienia tąpnięcia i następnie wy-korzystane jako wektory wejściowe w modelu sieci neuronowych GRNN. Zestawiono 132 zbiory danych o przypadkach tapnięć z całego świata i wykorzystano je jako zbiory uczące dla modelu sieci neuronowej realizującej uogólnioną regresję. Algorytm muszki owocowej wykorzystano do znalezienia optymalnej wartości parametru σ który umożliwi wygenerowanie najbardziej dokładnego modelu sieci neuronowej GRNN. Po treningu, model sieci GRNN wykorzystany został do oceny możliwości wystąpienia tąpnięcia w Kimberlite. Te same osiem wskaźników oceny skłonności wyrzutowej skały otrzymano na podstawie badań laboratoryjnych, z analiz prowadzonych w kopalni oraz w oparciu o metodę elementów skończonych, wyniki te wykorzystano następnie jako próbki danych. Wyniki uzyskane przy zastosowaniu sieci neuronowych realizujących regresję uogólnioną potwierdzone zostały przez wyniki uzyskane w trakcie wyrzutu w kopalni. Metoda sieci neuronowych nie wymaga uprzedniej wiedzy o naturze zależności pomiędzy zmiennymi wejściowymi i wyjściowymi i pozwala uniknąć analiz mechanizmu wyrzutu i tąpnięcia, co jest cechą pożądaną z punktu widzenia inżynierów odpowiedzialnych za ocenę skłonności skał do wyrzutu.