Wyniki wyszukiwania - BazTech

1

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

PL

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.

EN

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.

2

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

PL

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.

EN

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.

3

The influence of the discrepancies in the observers' decisions on the process of identification of maceral groups using artificial neural networks

Skiba M.

Journal of Sustainable Mining

|

2016

|

Vol. 15, iss. 4

151--155

EN

When analyzing the sorption properties of coal in the context of gas hazards in underground mining, focus should be placed on a number of aspects. These include the internal structure of coal, its structural properties, and its maceral composition. The share of particular macerals is most often determined manually, which e due to the huge diversity of petrographic features e can pose some difficulties even for experienced petrographers. Over the past few years, studies have been carried out into the use of artificial neural networks as a means to develop a methodology that would enable the identification of maceral groups based solely on the knowledge which the computer gains from sample macroscopic images and the information about their content provided by the observer. This paper investigates the effect that the selection of the training set, defined by particular teachers e petrographers, has on the effectiveness of selected neural classifiers. The research was carried out with the participation of three expert petrographers, who classified maceral groups in the macroscopic images of a lump sample of coal extracted from the Upper Silesian Coal Basin. Next, the feature space describing particular classes was defined using image analysis methods. The parameters defining that space were determined each time within a certain neighborhood of the studied points. Thus, the obtained sets were used to train neural networks (MLP) and to indicate the optimal network architecture for each expert. The research also included the identification of the influence that the change of the “teacher” e observer has on the identification process of the analyzed objects, as well as the automatic analysis of those measuring points which were classified differently by the observers e petrographers. The results presented concerning the objectivization of the quantitative analyses of coal indicate that modern methods of image analysis and artificial neural networks can contribute to the improvement of these measurements. However, it requires close cooperation between the designer of the neural network and the expert e petrographer.

4

Wybrane własności petrograficzne węgla z pokładu 209 warstw łaziskich w obszarze kopalni Jaworzno

Jelonek I., Śmieja-Król B.

Zeszyty Naukowe. Górnictwo / Politechnika Śląska

|

2005

|

z. 268

77-87

PL

Do badań wybrano pokład 209 warstw łaziskich należący do krakowskiej serii piaskowcowej karbonu produktywnego w GZW. Wykonano następujące analizy: macerałową refleksyjność witrynitu, fizykochemiczną oraz termiczną i na ich postawie omówiono własności węgli w tym pokładzie.

EN

The subject of investigations is No 209 coal seam of Łaziska member (Westphalian C) from the Jaworzno mine. Altogether, 12 samples have been collected throughout the seam profile and each of them was subjected to: vitrinite reflectance, maceral group, proximate and ultimate as well as to the thermographic analyses. The results were used for the discussion on the seam characterization.