Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: grupy macerałów

Sortuj według:

Ogranicz wyniki do:

Koncepcja holistycznej metody analizy próbek węgla z wykorzystaniem sztucznych sieci neuronowych

Skiba Marta

Prace Instytutu Mechaniki Górotworu PAN

2020

T. 22, nr 1-4

55--60

Mikroskopowe analizy próbek węgla wykonywane są najczęściej w sposób manualny, a kluczową kwestią podczas ich przeprowadzania jest poprawność oraz powtarzalność. Rozpatrując poszczególne próbki warto uwzględnić zarówno ich skład (udział grup macerałów oraz materii mineralnej) jak również informację o stopniu zniszczenia struktury węglowej. Takie holistyczne podejście pozwala wnioskować o właściwościach technologicznych oraz gazowych rozpatrywanych próbek węgla. W prezentowanej pracy przedstawiono koncepcję automatycznej metody opisu próbek węgla, bazującej na wcześniejszych doświadczeniach dotyczących klasyfikacji grup macerałów oraz węgla odmienionego strukturalnie ze stref przyuskokowych z wykorzystaniem sztucznych sieci neuronowych. W wyniku badań uzyskano wysoką średnią skuteczność proponowanej metody na poziomie 95% poprawnych klasyfikacji.

Microscopic analyzes of coal are most often performed manually, and the key issue during their performance is correctness and repeatability. When considering individual samples, it is worth taking into account both their composition (content of maceral groups and mineral matter) as well as information about the degree of destruction of the coal structure. Such a holistic approach allows us to draw conclusions about the technological and gas properties of the analyzed coal samples. This paper presents the concept of an automatic method for the description of coal samples, based on previous experiences concerning the classification of maceral groups and structurally altered coal from the near fault zones using artificial neural networks. As a result of the research, a high average effectiveness of the proposed method was obtained, at the level of 95% of correct classifications.

Porównanie skuteczności wybranych klasyﬁkatorów neuronowych w identyﬁkacji grup macerałów węgla kamiennego oraz materii nieorganicznej

Skiba M., Młynarczuk M.

Prace Instytutu Mechaniki Górotworu PAN

2016

T. 18, nr 4

133--138

Jednym z podstawowych zastosowań sztucznych sieci neuronowych jest rozpoznawanie i klasyfikacja wzorców. W ramach pracy przeprowadzono automatyczną identyfikację grup macerałów oraz materii nieorganicznej za pomocą trzech klasyfikatorów neuronowych: dwuwarstwowej sieci jednokierunkowej (Multi-Layer Perceptron, MLP), sieci o radialnych funkcjach bazowych (Radial Basis Function, RBF) oraz samoorganizującej mapy Kohonena (Self- -Organizing Maps, SOM). Do analiz wykorzystano zbiór 3000 mikroskopowych zdjęć próbek węgla kamiennego. Każde z nich opisano 12 – wymiarowym wektorem cech. Dla każdej z rozpatrywanych sieci dokonano 100 – krotnego powtórzenia losowego wyboru ciągu uczącego, treningu sieci oraz rozpoznania badanych obiektów. Analizy wykazały wysoką skuteczność zastosowanych klasyfikatorów neuronowych w identyfikacji grup macerałów oraz materii nieorganicznej. Najlepsze rezultaty, na poziomie przekraczającym 98% poprawnych rozpoznań, uzyskano dla klasyfikatorów bazujących na uczeniu nadzorowanym (MLP oraz RBF). Nieznacznie niższą skuteczność rozpoznań otrzymano w przypadku sieci SOM – 95,9% klasyfikacji zgodnych z decyzjami obserwatora.

One of the main applications of artificial neural networks is the recognition and classification of different patterns. In the framework of the work an automatic identification of maceral groups and inorganic matter was carried. Three neural classifiers were used: a Multi-Layer Perceptron (MLP), a network of Radial Basis Function (RBF) and Kohonen Self-Organizing Maps (SOM). For the purposes of the analysis a collection of 3,000 images of microscopic samples of coal was used. Each image was described by 12-dimensional feature vector. For each network were carried out: a hundredfold draw of learning set, the network training and classification of objects under study. The analyses have shown high effectiveness of the neural classifi ers used to identify maceral groups and inorganic matter. The best results were obtained for the classifiers based on supervised learning (MLP and RBF). They were at a level exceeding 98% of correct diagnoses. Slightly lower efficiency of diagnosis was obtained in the case of SOM network – 95.9% of classification compatible with the observer decisions.