ORIGINAL PAPER
Prediction of quality parameters of a dry air separation product using machine learning methods
 
More details
Hide details
1
Główny Instytut Górnictwa
CORRESPONDING AUTHOR
Alina Żogała   

Główny Instytut Górnictwa
Submission date: 2018-11-30
Final revision date: 2019-03-19
Acceptance date: 2019-06-28
Publication date: 2019-06-28
 
Gospodarka Surowcami Mineralnymi – Mineral Resources Management 2019;35(2):119–138
 
KEYWORDS
TOPICS
ABSTRACT
The purpose of the work was to predict the selected product parameters of the dry separation process using a pneumatic sorter. From the perspective of application of coal for energy purposes, determination of process parameters of the output as: ash content, moisture content, sulfur content, calorific value is essential. Prediction was carried out using chosen machine learning algorithms that proved to be effective in forecasting output of various technological processes in which the relationships between process parameters are non-linear. The source of data used in the work were experiments of dry separation of coal samples. Multiple linear regression was used as the baseline predictive technique. The results showed that in the case of predicting moisture and sulfur content this technique was sufficient. The more complex machine learning algorithms like support vector machine (SVM) and multilayer perceptron neural network (MPL) were used and analyzed in the case of ash content and calorific value. In addition, k-means clustering technique was applied. The role of cluster analysis was to obtain additional information about coal samples used as feed material. The combination of techniques such as multilayer perceptron neural network (MPL) or support vector machine (SVM) with k-means allowed for the development of a hybrid algorithm. This approach has significantly increased the effectiveness of the predictive models and proved to be a useful tool in the modeling of the coal enrichment process.
METADATA IN OTHER LANGUAGES:
Polish
Przewidywanie parametrów jakościowych produktu suchej separacji węgla metodami uczenia maszynowego
sztuczne sieci neuronowe, sucha separacja węgla, wielokrotna regresja liniowa, maszyna wektorów nośnych (SVM)
Celem pracy było prognozowanie wybranych parametrów produktu procesu suchej separacji za pomocą sortera pneumatycznego. Z punktu widzenia zastosowania węgla do celów energetycznych niezbędne jest określenie parametrów procesowych wydobycia, takich jak: zawartość popiołu, zawartość wilgoci, zawartość siarki czy wartość kaloryczna. Prognozowanie przeprowadzono przy użyciu wybranych algorytmów uczenia maszynowego, które okazały się skuteczne w prognozowaniu wyjścia różnych procesów technologicznych, w których zależności między parametrami procesu są nieliniowe. Źródłem danych wykorzystanych w pracy były eksperymenty procesu suchej separacji węgla. Zastosowano wieloraką regresję liniową jako bazową metodę predykcyjną. Wyniki pokazały, że w przypadku przewidywania zawartości wilgoci i siarki technika ta była wystarczająca. Bardziej złożone algorytmy uczenia maszynowego, takie jak maszyna wektorów nośnych (SVM) i perceptron wielowarstwowy (MLP) zostały wykorzystane i przeanalizowane w przypadku zawartości popiołu i wartości opałowej. Ponadto wdrożono technikę k-średnich. Rolą analizy skupień było uzyskanie dodatkowych informacji na temat próbek węgla będących wejściem procesu. Połączenie technik, takich jak perceptron wielowarstwowy (MLP) lub maszyna wektorów nośnych (SVM) z metodą k-średnich pozwoliło na opracowanie hybrydowego algorytmu. Takie podejście znacznie zwiększyło efektywność modeli predykcyjnych i okazało się użytecznym narzędziem w modelowaniu procesu wzbogacania węgla.
 
REFERENCES (30)
1.
Allahkarami et al. 2017 – Allahkarami, E., Salmani Nuri, O., Abdollahzadeh, A., Rezai, B. and Maghsoudi, B. 2017. Improving estimation accuracy of metallurgical performance of industrial flotation process by using hybrid genetic algorithm–artificial neural network (GA-ANN ). Physicochemical Problems of Mineral Processing 53(1), pp. 366−378.
 
2.
Ali et al. 2018 – Ali, D., Hayat, M. B., Alagha, L. and Molatlhegi, O.K. 2018. An evaluation of machine learning and artificial intelligence models for predicting the flotation behavior of fine high-ash coal. Advanced Powder Technology (in press).
 
3.
Baic, I. and Blaschke, W. 2013. Analysis of the possibility of using air concentrating tables in order to obtain clean coal fuels and substitute natural aggregates (Analiza możliwości wykorzystania powietrznych stołów koncentracyjnych do otrzymywania węglowych paliw kwalifikowanych i substytutów kruszyw). Polityka Energetyczna – Energy Policy Journal 16(3), pp. 247–260 (in Polish).
 
4.
Bergh, L. 2016. Artificial Intelligence in Mineral Processing Plants: An Overwiew [In:] Petrillo, A. et al. red. Proceedings of the 2016 International Conference on Artificial Intelligence: Technologies and Applications. Bangkok, 24–25 January 2016. Paryż: Atlantis Press, pp. 278–281.
 
5.
Blaschke, W. 1976. Wzbogacanie powietrzne. Poradnik Górnika t. V. Katowice: Wyd. Śląsk, pp. 556–563.
 
6.
Blaschke, W. 2009. Przeróbka węgla kamiennego – wzbogacanie grawitacyjne. Kraków: Wyd. IGSMiE PAN, 234 pp.
 
7.
Boser et al. 1992 – Boser, B.E., Guyon, I.M. and Vapnik, V.N. 1992. A training algorithm for optimal margin classifiers [In:] Haussler, D. red. COLT’92 Proceedings of the fifth annual workshop on Computational learning theory. Pittsburg, 27–29 July 1992. NY : ACM, pp.144–152.
 
8.
Chelgani et al. 2018 – Chelgani S.C., Shahbazi B. and Hadavandi E. 2018. Support vector regression modeling of coal flotation based on variable importance measurements by mutual information method. Measurement 114, pp. 102–108.
 
9.
Cortes, C. and Vapnik, V. 1995. Support vector networks. Machine Learning 20(3), pp. 273–297.
 
10.
Drzymała, J. 2001. Basics of mineral processing (Podstawy mineralurgii). Wrocław: Oficyna Wydawnicza Politechniki Wrocławskiej, 478 pp. (in Polish).
 
11.
Feng 2015 – Feng, Q., Zhang, J., Zhang, X. and Wen, S. 2015. Proximate analysis based prediction of gross calorific value of coals: a comparison of support vector machine, alternating conditional expectation and artificial neural network. Fuel Processing Technology 129, pp. 120–129.
 
12.
Goodfellow et al. 2016 – Goodfellow, I., Bengio, Y. and Courville, A. 2016. Deep Learning. Cambridge: MIT Press, 775 pp.
 
13.
Jonsson et al. 2002 – Jonsson, K., Kittler, J., Li, Y.P. and Matas, J. 2002. Support vector machines for face authentication. Image and Vision Computing 20(5–6), pp. 369–375.
 
14.
Jorjani et al. 2009 – Jorjani, E., Poorali, H.A., Sam, A., Chelgani, S.C., Mesroghli, S. and Shayestehfar, M.R. 2009. Prediction of coal response to froth flotation based on coal analysis using regression and artificial neural network. Minerals Engineering 22(11), pp. 970–976.
 
15.
King, R.P. 2001. Modeling and simulation of mineral processing systems. Oxford: Butterworth-Heinemann, 416 pp.
 
16.
Lippmann, R.P. 1987. An introduction to computing with neural nets. IEEE Acoustical Speech and Signal Processing Magazine 4(2), pp. 4–22.
 
17.
Liu et al. 2018 – Liu, B., Fu, Z., Wang, P., Liu, L., Gao, M., and Liu, J. 2018. Big-Data-Mining-Based Improved K-Means Algorithm for Energy Use Analysis of Coal-Fired Power Plant Units: A Case Study. Entropy 20(9), pp. 702.
 
18.
Liu et al. 2006 – Liu, Y., Wu, M. and Qian, J. 2006. Predicting Coal Ash Fusion Temperature Using Hybrid of Ant Colony Algorithm and BP Neural Network [In:] 4th IEEE International Conference on Industrial Informatics In Industrial Informatics, Singapore 16–18 August 2006 IEEE pp. 805–809.
 
19.
Michalak et al. 2012 – Michalak, M., Iwaszenko, S. and Wierzchowski, K. 2012. Coal washing modelling in a jig (Coal analyzer – modelowanie procesu wzbogacania węgla w osadzarce). Mechanizacja i Automatyzacja Górnictwa 50(9), pp. 18–22 (in Polish).
 
20.
Oruç et al. 2010 – Oruç, F., Özgen, S. and Sabah, E. 2010. An enhanced-gravity method to recover ultra-fine coal from tailings: Falcon concentrator. Fuel 89(9), pp. 2433–2437.
 
21.
Osowski, S. 2013. Data mining methods and tools (Metody i narzędzia eksploracji danych). Legionowo: Wyd. BTC, 388 pp. (in Polish).
 
22.
Raina, C.K. 2016. A review on machine learning techniques. International Journal on Recent and Innovation Trends in Computing and Communication 4(3), pp. 395–399.
 
23.
Sahu et al. 2009 – Sahu, H., Panigrahi, D.C. and Mohapatra, S.S. 2009. Classification Of Coal Seams With Respect To Their Spontaneous Heating Susceptibility Using K-Means Clustering [In:] Nineth International Mine Ventilation Congress, New Delhi, 10–13 November 2009, Oxford: IBH Publishing Company, pp. 273–287.
 
24.
Tumidajski, T. 2010. Actual tendencies in description and mathematical modeling of mineral processing (Aktualne tendencje w opisie i modelowaniu matematycznym procesów przeróbki materiałów uziarnionych). Gospodarka Surowcami Mineralnymi – Mineral Resources Management 26(3), pp. 111–123 (in Polish).
 
25.
Uyanik, G. and Guler,. N. 2013. A Study on Multiple Linear Regression Analysis. Procedia – Social and Behavioral Sciences 106, pp. 234 –240.
 
26.
Vapnik, V.N. 1995. The Nature of Statistical Learning Theory. NY : Springer, pp. 314.
 
27.
Wang et al. 2012 – Wang. J., Li, L., Niu, D. and Tan, Z. 2012. An annual load forecasting model based on support vector regression with differential evolution algorithm. Applied Energy 94, pp. 65–70.
 
28.
Zhengwei et al. 2007 – Zhengwei, L., Shixiong, X. and Niuqiang, Zhanguo, X. 2007. Coal Thickness Prediction Based on Support Vector Machine Regression [In:] Feng W. red. Eighth ACIS International Conference on Software Engineering, Artificial Intelligence, Networking, and Parallel/Distributed Computing, Qingdao, 30 J uly–1 August 2007. IEEE pp. 379–383.
 
29.
Zhou et al. 2014. – Zhou, H., Tang, Q., Yang, L., Yan, Y., Lu, G. and Cen, K. 2014. Support vector machine based online coal identification through advanced flame monitoring. Fuel 117, pp. 944–951.
 
30.
Zucker et al. 2015 – Zucker, G., Habib, U., Blöchle, M., Judex, F. and Leber, T. 2015. Sanitation and analysis of operation data in energy systems. Energies 8(11), pp. 12776–12794.
 
eISSN:2299-2324
ISSN:0860-0953