Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2016

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: pojemność gazowa

Sortuj według:

Ogranicz wyniki do:

Zastosowanie sieci samoorganizującej do identyﬁkacji struktur odmienionych węgla kamiennego

Skiba M., Młynarczuk M.

Prace Instytutu Mechaniki Górotworu PAN

2016

T. 18, nr 3

61--66

Wewnętrzna budowa węgla, możliwa do obserwacji wyłącznie pod mikroskopem, może wykazywać pewne cechy (takie jak: obecność spękań, struktury kataklastyczne czy mylonityczne), które wpływają na zwiększoną pojemność gazową oraz wskazują na pokład szczególnie zagrożony wyrzutami gazów i skał. Problematyka ta była przedmiotem zainteresowania licznych badaczy, którzy dokonali klasyfikacji węgla odmienionego, wyróżniając różne typu strukturalne takiego węgla. W pracy do identyfikacji poszczególnych struktur zastosowano mapę samoorganizującą (SOM). Może ona posłużyć do ujawnienia takich cech w zbiorze danych, które są często niedostrzegalne w wypadku zastosowania sieci neuronowej uczonej z nauczycielem. Badania wykonane zostały na zdjęciach mikroskopowych, a każdą z analizowanych klas opisano za pomocą 7-wymiarowej przestrzeni cech. Zastosowanie sieci samoorganizującej skutkowało klasyfikacją badanych struktur na poziomie 82% skuteczności.

The internal structure of the coal, observable microscopically only, may have certain features (such as the presence of cracks, cataclastic or mylonitic structures) that affect the increased gas capacity and point to the seams particularly endangered by gas and rock outbursts. The issue was the subject of interest for many researchers who have made a classifi cation of structurally altered coal, distinguishing different types of such coal structure. In this paper, individual structures were identified using self-organizing map (SOM). It can be used to reveal such features in the data set, which are often invisible in the case of the use of neural network learning with a teacher. Tests were performed on microscopic photographs, each of the analyzed grades were described using a 7-dimensional feature space. The use of a self-organizing map resulted in the effectiveness of the classification of these structures at the level of 82%.