Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 3

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: coal types

Sortuj według:

Ogranicz wyniki do:

Ogólny przegląd zakładów przeróbczych kopalń polskiej grupy górniczej S.A.

Maczuga Renata, Sitko Marek, Cebo Wojciech, Kornaszewski Zbigniew

Systemy Wspomagania w Inżynierii Produkcji

2019

Vol. 8, iss. 1

323--333

W Polska Grupa Górnicza S.A. posiada 8 kopalń węgla kamiennego oraz jeden zakład produkcji ekogroszku. W ramach kopalń funkcjonuje 13 Zakładów Mechanicznej Przeróbki Węgla powiązanych technologicznie z procesem wydobywczym. Zakłady przeróbcze posiadają zróżnicowaną technologię wzbogacania węgla w zależności od typu przerabianego węgla. Produkowane są dwa rodzaje węgla w zależności od zastosowania: węgiel energetyczny i węgiel koksujący. Na chwilę obecną węgiel koksujący produkowany jest w dwóch kopalniach: KWK ROW oraz KWK Ruda. W pozostałych kopalniach produkowany jest węgiel energetyczny. W ZPE WOLA produkowane są obecnie dwa rodzaje ekogroszku i ekomiał. Ekogroszek produkowany jest również w KWK ROW Ruch Chwałowice oraz w KWK Wujek. W KWK Wujek produkowane jest również certyfikowane kruszywo na bazie pozyskanego kamienia popłuczkowego. W ofercie znajduje się kruszywo drogowe zgodne z obowiązującymi normami. Produkowany przez PGG S.A. węgiel charakteryzuje niskie zasiarczenie. Proces wzbogacania węgla w zakładach przeróbczych jest prowadzony głownie w oparciu o trzy metody wzbogacania: • grawitacyjną w cieczach ciężkich zawiesinowych, • grawitacyjną w ośrodku wodnym, • flotacyjną. W wszystkich zakładach przeróbczych wzbogaca się węgiel o uziarnieniu grubym i średnim.

In Poland, Grupa Górnicza S.A. has 8 coal mines and one eco coal production plant. As part of the mines, there are 13 Mechanical Coal Processing Plants connected technologically with the mining process. The processing plants have diversified coal enrichment technology depending on the type of coal processed. Two types of coal are produced depending on the application: steam coal and coking coal. At the moment, coking coal is produced in two mines: KWK ROW and KWK Ruda. The process of coal enrichment in processing plants is mainly carried out based on three methods of enrichment: • gravity in heavy suspension liquids, • gravitational in an aquatic center, • flotation. In all processing plants, coal with coarse and medium grains is enriched. Steam coal is produced in other mines. Two types of eco coal are currently produced at ZPE WOLA. The eco coal is also produced at KWK ROW Ruch Chwałowice and at KWK Wujek. In KWK Wujek, certified aggregate is also produced based on the collected post-wash stone. The offer includes road aggregates in accordance with the applicable standards. The coal produced by PGG S.A. is characterized by low sulphation.

Application of Variance Analysis to Compare Characteristics of Various Types of Hard Coal

Niedoba T., Surowiak A., Pięta P.

Inżynieria Mineralna

2016

R. 17, nr 1

15--22

In Polish nomenclature many types and subtypes of coal can be found which differ between themselves by individual characteristics. However, it is often that is no easy to recognize them properly on the basis on, for example, chosen numerical data describing their features. In the paper, the variance analysis was used as the tool of comparing analysis for three chosen types of coal which were collected from three various hard coal mines located in Upper Silesia. There were coals of type 31, 34.2 and 35. Each of coals was first screened and then additionally divided into density fractions by means of zinc chloride aqueous solution. Such prepared material was then investigated because of several chosen features, like combustion heat, ash contents, sulfur contents, volatile parts contents and moisture. Together with mass it gave seven–dimensional vector describing each of chosen fractions for all three types of coals. Then, the full variance analysis was conducted with investigation of all assumptions required to its conduction. The results served to elaborate conclusions.

W polskiej nomenklaturze istnieje wiele typów i podtypów węgla, które różnią się między sobą różnymi cechami. Jednakże, często nie jest łatwo rozpoznać je na podstawie, na przykład, wybranej zmiennej numerycznej opisującej ich cechy. W artykule zastosowano analizę wariancji jako narzędzia porównawczego dla trzech typów węgli kamiennych, które zostały pobrane z trzech kopalni zlokalizowanych na Górnym Śląsku. Były to węgle typów 31, 34.2 oraz 35. Każdy z węgli został najpierw przesiany a następnie dodatkowo rozdzielony na frakcje gęstościowe przy użyciu wodnego roztworu chlorku cynku. Tak przygotowany materiał został następnie zbadany ze względu na kilka wybranych cech, takich jak ciepło spalania, zawartość popiołu, zawartość siarki, zawartość części lotnych oraz wilgotność. Wraz z masą dało to siedmiowymiarowy wektor opisujący każdą z wybranych frakcji dla wszystkich trzech typów węgli. Następnie, przeprowadzono pełną analizę wariancji z badaniem wszystkich założeń wymaganych do jej przeprowadzenia. Wyniki posłużyły do opracowania wniosków.

Application of multi-parameter data visualization by means of autoassociative neural networks to evaluate classification possibilities of various coal types

Jamroz D.

Physicochemical Problems of Mineral Processing

2014

Vol. 50, iss. 2

719--734

The significance of data visualization in modern research is growing steadily. In mineral processing scientists have to face many problems with understanding data and finding essential variables from a large amount of data registered for material or process. Hence it is necessary to apply visualization of such data, especially when a set of data is multi-parameter and very complex. This paper puts forward a proposal to introduce the autoassociative neural networks for visualization of data concerning three various types of hard coal. Apart from theoretical discussion of the method, the empirical applications of the method are presented. The results revealed that it is a useful tool for a researcher facing a complicated set of data which allows for its proper classification. The optimal neural network parameters to successfully separate the analyzed three types of coal were found out for the analyzed example.