Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

The Tailings Storage Facility (TSF) stability monitoring system using advanced big data analytics on the example of the Żelazny Most Facility

Koperska Wioletta, Stachowiak Maria, Duda-Mróz Natalia, Stefaniak Paweł, Jachnik Bartosz, Bursa Bartłomiej, Stefanek Paweł

Archives of Civil Engineering

2022

Vol. 68, nr 2

297--311

Approximately 30 million tons of tailings are being stored each year at the KGHMs Zelazny Most Tailings Storage Facility (TSF). Covering an area of almost 1.6 thousand hectares, and being surrounded by dams of a total length of 14 km and height of over 70 m in some areas, makes it the largest reservoir of post-flotation tailings in Europe and the second-largest in the world. With approximately 2900 monitoring instruments and measuring points surrounding the facility, Zelazny Most is a subject of round-the-clock monitoring, which for safety and economic reasons is crucial not only for the immediate surroundings of the facility but for the entire region. The monitoring network can be divided into four main groups: (a) geotechnical, consisting mostly of inclinometers and VW pore pressure transducers, (b) hydrological with piezometers and water level gauges, (c) geodetic survey with laser and GPS measurements, as well as surface and in-depth benchmarks, (d) seismic network, consisting primarily of accelerometer stations. Separately a variety of different chemical analyses are conducted, in parallel with spigotting processes and relief wells monitorin. This leads to a large amount of data that is difficult to analyze with conventional methods. In this article, we discuss a machine learning-driven approach which should improve the quality of the monitoring and maintenance of such facilities. Overview of the main algorithms developed to determine the stability parameters or classification of tailings are presented. The concepts described in this article will be further developed in the IlluMINEation project (H2020).

W składowisku odpadów poflotacyjnych KGHM Żelazny Most składuje się rocznie około 30 milionów ton odpadów przeróbczych. Zajmujący powierzchnię prawie 1,6 tys. ha i otoczony zaporami o łącznej długości 14 km i wysokości na niektórych obszarach ponad 70 m, czyni go największym zbiornikiem odpadów poflotacyjnych w Europie i drugim co do wielkości na świecie. Z około 2900 urządzeniami monitorującymi i punktami pomiarowymi otaczającymi obiekt, Żelazny Most jest przedmiotem całodobowego monitoringu, co ze względów bezpieczeństwa i ekonomicznych ma kluczowe znaczenie nie tylko dla najbliższego otoczenia obiektu, ale dla całego regionu. Sieć monitoringu można podzielić na cztery główne grupy: (a) geotechniczna, składająca się głównie z inklinometrów i przetworników ciśnienia porowego VW, (b) hydrologiczna z piezometrami i miernikami poziomu wody, (c) geodezyjne z pomiarami laserowymi i GPS oraz jako repery powierzchniowe i gruntowe, (d) sieć sejsmiczna, składająca się głównie ze stacji akcelerometrów. Oddzielnie przeprowadza się szereg różnych analiz chemicznych, równolegle z procesami spigotingu i monitorowaniem studni odciążających. Prowadzi to do dużej ilości danych, które są trudne do analizy konwencjonalnymi metodami. W tym artykule omawiamy podejście oparte na uczeniu maszynowym, które powinno poprawić jakość monitorowania i utrzymania takich obiektów. Przedstawiono przegląd głównych algorytmów opracowanych do wyznaczania parametrów stateczności lub klasyfikacji odpadów. Do analizy i klasyfikacji odpadów wykorzystano pomiary z testów CPTU. Klasyfikacja gruntów naturalnych z wykorzystaniem badan CPT jest powszechnie stosowana, nowością jest zastosowanie podobnej metody do klasyfikacji odpadów na przykładzie zbiornika poflotacyjnego. Analiza eksploracyjna pozwoliła na wskazanie najistotniejszych parametrów dla modelu. Do klasyfikacji wykorzystano wybrane modele uczenia maszynowego: k najbliższych sąsiadów, SVM, RBF SVM, drzewo decyzyjne, las losowy, sieci neuronowe, QDA, które porównano w celu wytypowania najskuteczniejszego. Koncepcje opisane w tym artykule będą dalej rozwijane w projekcie IlluMINEation (H2020).

Wielowymiarowa analityka danych strumieniowych scada na potrzeby oceny efektywności energetycznej odstawy taśmowej

Stefaniak Paweł K., Śliwiński Paweł, Duda Natalia, Jachnik Bartosz

Cuprum : czasopismo naukowo-techniczne górnictwa rud

2020

nr 3

5--22

Artykuł przedstawia propozycję narzędzi analitycznych, możliwych do opracowania z danych rejestrowanych w ramach funkcjonowania systemów automatyki przemysłowej. Narzędzia te mogą być realnym wsparciem przy próbie optymalizacji efektywności procesowej, szczególnie energetycznej. W uproszczeniu, każde dowolne urządzenie energomechaniczne zasilane jest prądem i sterowane systemem automatyki przemysłowej. Postać sygnału zwykle zależna jest od różnych trybów pracy danego urządzenia, wynikających m.in. z jego obciążenia zewnętrznego. Dostępne metody segmentacji sygnałów i metody statystyczne pozwalają zautomatyzować proces identyfikacji trybów operacyjnych, jak również rozpoznawać inne prawidłowości czy anomalne zachowania, wynikające z nieprawidłowej pracy urządzenia. Dzięki temu z prostego sygnału prądowego możemy liczyć rzeczywisty czas pracy obiektu technicznego, zużycie mediów, identyfikować tryby pracy urządzenia, rozpoznawać straty procesu, określać parametry wydajnościowe KPI oraz rozwijać procedury diagnostyczne. W artykule zaproponowano metody wielowymiarowego przetwarzania danych oraz ich zastosowanie na danych rzeczywistych z odstawy taśmowej. Opisano algorytm identyfikacji reżimów operacyjnych oparty na technikach uczenia maszynowego oraz dalsze kontekstowe analizy, wraz z różnymi wizualizacjami.

This paper outlines the recommendation of analytical tools likely to be derived from the data recorded within the automation system (SCADA). The means might facilitate optimisation of process efficiency, especially in terms of energy efficiency. Basically, each electromechanical device is electrically charged and controlled by the SCADA. A kind of the signal usually depends on various operational modes of the given device which are classified by its external load. Available signal segmentation and statistical methods lead to the automatic identification of these modes and operational patterns or abnormal performances caused by poor technical condition. Therefore, simple electrical signal allows to count the real device performance time and utilities usage, to identify its operational modes, to recognise process losses, to specify KPI factors and to develop diagnostics. This paper describes multidimensional processing of conveyor stream data along with their exemplary use in real-time data. The algorithm of identifying operational regimes is characterised based on machine learning and further in-context analyses paired with visualisations.