Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: structurally altered coal

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.

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%.