ORIGINAL PAPER
Sustainable management of hard coal resources implemented by identifying risk factors in the mining process
1
Mineral Energy and Economy Research Institute of the Polish Academy of Sciences
2
Cracow University of Economics
3
Faculty of Energy and Fuels, AGH University of Krakow
Submission date: 2024-05-07
Final revision date: 2024-06-12
Acceptance date: 2024-07-24
Publication date: 2024-09-11
Corresponding author
Eugeniusz Jacek Sobczyk
Mineral Energy and Economy Research Institute of the Polish Academy of Sciences
Mineral Energy and Economy Research Institute of the Polish Academy of Sciences
Gospodarka Surowcami Mineralnymi – Mineral Resources Management 2024;40(3):23-48
KEYWORDS
TOPICS
Optimization of resources and reserves managementRational and efficient development and utilization of mineral resourcesEffective mineral deposits exploitationEconomics of mineral industriesRational use of mineral raw materials
ABSTRACT
Dealing with risk and addressing risk consequences constitute indispensable and specific elements of every business activity. The aim of this paper has been to assess the level of risk connected with the process of exploitation of hard coal deposits used for the production of coke in Poland, that is why a methodology has been developed which takes into account the impact of significant risk factors resulting from both geological and mining conditions upon unit cost of coal mining. This methodology constitutes a comprehensive approach to sustainable management of hard coal resources. The key source of information pertaining to exploitation risk factors is the digital geological model of hard coal deposit which has been developed. It comprises a structural model as well as a quality model of the basic quality parameters of coal. Structural models and coal quality models have been developed on the basis of litho-stratigraphic profiles from geological exploratory boreholes and underground observations (boreholes drilled from underground workings and their profiling). The structural grid model also contains information on tectonic disturbances (faults) or sedimentation disturbances (intercalations, wash-outs, and the like). The digital model was used as the basis for devising time schedules of development and preparatory works, as well as coal extraction proper.
Historical results of mining and economic data from 81 longwalls mined in the years 2016–2022 have been used for the purpose of analysis of the impact of risk factors on unit operating costs. The analysis comprised a total of 23 criteria which influence the costs of mining. From that group, 10 risk factors have been selected by means of statistical analysis using segmented regression, these factors have been utilized to make an assessment of the forecast concerning risk factor level for zones of the deposit meant for mining until the year 2035. The risk factors taken into account were those which are due to natural hazards, geological structure of the deposit (coal seam) and technical limitations.
Risk factor (RF) indicator has been developed, for its construction the Fuzzy Analytic Hierarchy Process (FAHP) has been used. The value of RF, which expresses the aggregated form of variability concerning individual factors pertaining to geology and mining, has been used to determine the adjusted own risk assessment when estimating the economic efficiency of the coking coal deposit for 8 exploitation zones with the use of discounted cash flow method. The assessed average value of RF for the entire deposit amounted to 0.29. The lowest level of RF was noted in case of zone W (RF = 0.17), whereas the highest value of risk occurs in zone PN (RF = 0.64). The values of RF were used to calculate the rate of discount as consolidated measure of own risk, when assessing investment projects in mining. For zone W with the lowest risk of mining the discount rate amounts to 8.34%, whereas in case of zone PN which has the highest risk level, it amounts to 15.02%. Assessing the level of mining risk provides the possibility to optimize the cost of mining, and may be utilized for making decisions concerning the sequence and time of mining from particular zones of the deposit.
ACKNOWLEDGEMENTS
The publication was carried out as part of the GOSPOSTRATEG.IX-0016/22 project entitled
“Dynamic management of demand, production, resource management and logistics of distribution of hard coal in an economy implementing a decarbonization energy mix”.
METADATA IN OTHER LANGUAGES:
Polish
Zrównoważone zarządzanie zasobami węgla kamiennego realizowane poprzez identyfikację czynników ryzyka w procesie wydobywczym
zrównoważone górnictwo, cyfrowy model złoża, zasoby surowców, FAHP, wskaźnik ryzyka
Radzenie sobie z ryzykiem z jego konsekwencjami to nieodzowny i specyficzny element każdego działania biznesowego. Celem artykułu była ocena poziomu ryzyka związanego z procesem eksploatacji złóż węgla kamiennego wykorzystywanych do produkcji koksu w Polsce, dlatego opracowano metodykę uwzględniającą wpływ istotnych czynników ryzyka wynikających zarówno z warunków geologicznych, jak i górniczych, na koszt jednostkowy wydobycia węgla. Metodologia ta stanowi kompleksowe podejście do zrównoważonego zarządzania zasobami węgla kamiennego. Kluczowym źródłem informacji o czynnikach ryzyka eksploatacyjnego jest opracowany cyfrowy model geologiczny złoża węgla kamiennego. Zawiera model strukturalny oraz model jakościowy podstawowych parametrów jakościowych węgla. Modele strukturalne i modele jakości węgla opracowano na podstawie profili litostratygraficznych z odwiertów badań geologicznych i obserwacji podziemnych (otwory wiertnicze z wyrobisk podziemnych i ich profilowanie). Model siatki strukturalnej zawiera również informacje o zaburzeniach tektonicznych (uskokach) lub zaburzeniach sedymentacji (interkalacje, wymywania itp.). Model cyfrowy posłużył jako podstawa do opracowania harmonogramów prac rozwojowych, przygotowawczych i samego wydobycia węgla.
Do analizy wpływu czynników ryzyka na jednostkowe koszty operacyjne wykorzystano historyczne wyniki badań górniczych i dane ekonomiczne z 81 ścian eksploatowanych w latach 2016–2022. W analizie wzięto pod uwagę łącznie 23 kryteria wpływające na koszty wydobycia. Z tej grupy wyłoniono 10 czynników ryzyka w drodze analizy statystycznej metodą regresji segmentowej, na podstawie których dokonano oceny prognozy poziomu czynników ryzyka dla stref złoża przeznaczonych do eksploatacji do roku 2035. Wzięto pod uwagę czynniki ryzyka, które wynikają z zagrożeń naturalnych, budowy geologicznej złoża (pokład węgla) oraz ograniczeń technicznych. Opracowano wskaźnik czynnika ryzyka (RF), do jego budowy wykorzystano proces Fuzzy Analytic Hierarchy Process (FAHP). Wartość współczynnika RF, wyrażająca zagregowaną postać zmienności poszczególnych czynników geologiczno-górniczych, posłużyła do wyznaczenia skorygowanej własnej oceny ryzyka przy szacowaniu efektywności ekonomicznej złoża węgla koksującego dla 8 stref eksploatacyjnych przy zastosowaniu zdyskontowanych metoda przepływu środków pieniężnych. Oszacowana średnia wartość RF dla całego złoża wyniosła 0,29. Najniższy poziom RF odnotowano w strefie W (RF = 0,17), natomiast największa wartość ryzyka występuje w strefie PN (RF = 0,64). Wartości RF posłużyły do obliczenia stopy dyskonta jako skonsolidowanej miary ryzyka własnego przy ocenie projektów inwestycyjnych w górnictwie. Dla strefy W o najniższym ryzyku eksploatacyjnym stopa dyskontowa wynosi 8,34%, natomiast dla strefy PN o najwyższym poziomie ryzyka wynosi 15,02%. Ocena poziomu ryzyka eksploatacyjnego daje możliwość optymalizacji kosztów wydobycia i może być wykorzystana do podejmowania decyzji dotyczących kolejności i czasu eksploatacji poszczególnych stref złoża.
REFERENCES (43)
1.
Adamus, W. and Łasak, P. 2010. Methods of using AHP to select the location of the market surveillance system (Zastosowanie metody AHP do wyboru umiejscowienia nadzoru nad rynkiem finansowym). Bank i Kredyt 41, pp. 73–100 (in Polish).
2.
Al Heib et al. 2023 – Al Heib, M.M., Franck, C., Djizanne, H. and Degas, M. 2023. Post-Mining Multi-Hazard Assessment for Sustainable Development. Sustainability 15, DOI: 10.3390/su15108139.
3.
Ayhan, M.B. 2013. A Fuzzy Ahp Approach For Supplier Selection Problem: A Case Study In A Gearmotor Company. IJMVSC 4, pp. 11–23, DOI: 10.5121/ijmvsc.2013.4302.
4.
Bascetin, A. 2009. The study of decision making tools for equipment selection in mining engineering operations. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 25(3), pp. 37–56.
5.
Biedrawa, A. and Sobczyk, W. 2010. AHP – komputerowe wspomaganie podejmowania złożonych decyzji. Journal of Education, Technology and Computer Science 1, pp. 285–292, DOI: 2080-9069.
6.
Buckley, J.J. 1985. Fuzzy hierarchical analysis. Fuzzy Sets and Systems 17, pp. 233–247, DOI: 10.1016/0165-0114(85)90090-9.
7.
Chang, D.Y. 1996. Applications of the extent analysis method on fuzzy AHP. European Journal of Operational Research 95, pp. 649–655, DOI: 10.1016/0377-2217(95)00300-2.
8.
Chećko et al. 2020 – Chećko, J., Urych, T., Magdziarczyk, M. and Smoliński, A. 2020. Resource Assessment and Numerical Modeling of CBM Extraction in the Upper Silesian Coal Basin. Poland. Energies 13, DOI: 10.3390/en13092153.
9.
Chou, S.W. and Chang, Y.C. 2008. The implementation factors that influence the ERP (enterprise resource planning) benefits. Decision Support Systems 46, pp. 149–157, DOI: 10.1016/j.dss.2008.06.003.
10.
CIM Council. 2019. The CIMVAL Code for the Valuation of Mineral Properties. The Canadian Institute of Mining. Metallurgy and Petroleum. Westmount. Quebec. Canada.
11.
Davies, M. 2001. Adaptive AHP: a review of marketing applications with extensions. European Journal of Marketing 35, pp. 872–894, DOI: 10.1108/EUM0000000005729.
12.
Dobosz, M. 2004. Computer-aided statistical analysis of research results (Wspomagana komputerowo statystyczna analiza wyników badań). Warszawa (in Polish).
13.
Dubiński, J. 2013. Sustainable Development of Mining Mineral Resources. Journal of Sustainable Mining 12, pp. 1–6, DOI: 10.7424/jsm130102.
14.
Fifth list 2023 of critical raw materials for the EU [WWW Document]. n.d. . Internal Market. Industry. Entrepreneurship and SMEs. [On-line:] https://single-market-economy.... [Accessed: 2023-08-11].
15.
Hannani et al. 2023 – Hannani, M., Bascompta, M., Sabzevar, M.G., Dehghani, H. and Khajevandi, A.A. 2023. Causal Analysis of Safety Risk Perception of Iranian Coal Mining Workers Using Fuzzy Delphi and DEMATEL. Sustainability 15, DOI: 10.3390/su151914277.
16.
Kopacz et al. 2019 – Kopacz, M., Kulpa, J., Galica, D., Dyczko, A. and Jarosz. J. 2019. Economic valuation of coal deposits – The value of geological information in the resource recognition process. Resources Policy 63, DOI: 10.1016/j.resourpol.2019.101450.
17.
Kopacz et al. 2020 – Kopacz, M., Kulpa, J., Galica, D. and Olczak, P. 2020. The influence of variability models for selected geological parameters on the resource base and economic efficiency measures – Example of coking coal deposit. Resources Policy 68, DOI: 10.1016/j.resourpol.2020.101711.
18.
Liberatore, M.J. and Nydick, R.L. 2008. The analytic hierarchy process in medical and health care decision making: A literature review. European Journal of Operational Research 189, pp. 194–207, DOI: 10.1016/j.ejor.2007.05.001.
19.
Łuczak, A. and Wysocki, F. 2011. Linear ordering of objects using fuzzy AHP and TOPSIS methods (Porządkowanie liniowe obiektów z wykorzystaniem rozmytych metod AHP i TOPSIS). Przegląd Statystyczny 58, pp. 3–22 (in Polish).
20.
Moore, T.A. and Friederich, M.C. 2021. Defining Uncertainty: Comparing Resource/Reserve Classification Systems for Coal and Coal Seam Gas. Energies 14, DOI: 10.3390/en14196245.
21.
PN-93/G-04558. Coal. Determination of spontaneous combustion indicators (Węgiel kamienny. Oznaczenie wskaźników samozapalności). n.d. (in Polish).
22.
Pohekar, S.D. and Ramachandran, M. 2004. Application of multi-criteria decision making to sustainable energy planning – A review. Renewable and Sustainable Energy Reviews 8, pp. 365–381, DOI: 10.1016/j.rser.2003.12.007.
23.
Promentilla et al. 2015 – Promentilla, M.A.B., Aviso, K.B. and Tan, R.R. 2015. A fuzzy analytic hierarchy process (fahp) approach for optimal selection of low-carbon energy technologies. Chemical Engineering Transactions 45, pp. 1141–1146, DOI: 10.3303/CET1545191.
24.
Prusak, A. and Stefanów, P. 2011. Research on the operational properties of the AHP method (Badania nad właściwościami operacyjnymi metody AHP). Folia Oeconomica Cracoviensia 18 (in Polish).
25.
Saaty, R.W. 1987. The analytic hierarchy process – what it is and how it is used. Mathematical Modelling 9, pp. 161–176, DOI: 10.1016/0270-0255(87)90473-8.
26.
Saługa, P. 2009. Economic evaluation of projects and risk analysis in mining (Ocena ekonomiczna projektów i analiza ryzyka w górnictwie). Studia, Rozprawy, Monografie 152. Kraków: MERRI PAS (in Polish).
27.
Siwiec, D. 2020. Analysis of pollution emission of the energy-industrial sector with use the fuzzy analytic hierarchy process and TOPSIS method (Analiza emisji zanieczyszczeń sektora energetyczno-przemysłowego z wykorzystaniem rozmytego analitycznego procesu hierarchicznego i metody TOPSIS). SiM WZ UW, DOI: 10.7172/1733-9758.2020.33.3 (in Polish).
28.
Słowik, S. 2008. Classification of coal with respect to its spontaneous ignition susceptibility (Klasyfikacja węgla pod kątem skłonności do samozapalenia). Prace Naukowe GIG. Górnictwo i Środowisko 1, pp. 87–94 (in Polish).
29.
Sobczyk, E.J. 2008. Analytic Hierarchy Process (AHP) and Multivariate Statistical Analysis (MSA) in Evaluating Mining Difficulties in Coal Mines. in: New Challenges and Visions for Mining: Selected Papers from the 21st World Mining Congress and Expo. Cracow (Congress) and Katowice. Poland. CRC Press. London. p. 400.
30.
Sobczyk et al. 2022 – Sobczyk, E.J., Galica, D., Kopacz, M., Sobczyk, W. 2022. Selecting the optimal exploitation option using a digital deposit model and the AHP. Resources Policy 78, DOI: 10.1016/j.resourpol.2022.102952.
31.
Sobczyk et al. 2020 – Sobczyk, E.J., Kaczmarek, J., Fijorek, K. and Kopacz, M. 2020. Efficiency and financial standing of coal mining enterprises in Poland in terms of restructuring course and effects. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 36(2), pp. 127–152, DOI: 10.24425/GSM.2020.132565.
32.
Sobczyk, E.J. and Kopacz, M. 2018. Assesing geological mining condition nuisance and its impact on the cost of exploitation in hard coal mines with the use of a multi-criterion method. Archives of Mining Sciences 63(3), DOI: 10.24425/123690.
33.
Sobczyk et al. 2022 – Sobczyk, W., Kowalska, A. and Sobczyk, E.J. 2014. The Use of AHP Multi-Criteria Method and Leopold Matrix to Assess the Impact of Gravel and Sand Pits on the Environment of the Jasiolka Valley. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 30(2), pp. 157–172, DOI: 10.2478/gospo-2014-0018.
34.
Sokołowski, A. 1982. On taxonomic issues (O zagadnieniach taksonomicznych). Zeszyty Naukowe Akademii Ekonomicznej w Krakowie (in Polish).
35.
Sukiennik et al. 2021 – Sukiennik, M., Kowal, B. and Bąk, P. 2021. Identification of Market Gap as a Chance for Enterprise Development – Example of Polish Raw Materials Industry. Energies 14, DOI: 10.3390/en14154678.
36.
Szlązak et al. 2021 – Szlązak, N., Korzec, M. and Piergies, K. 2021. The Determination of the Methane Content of Coal Seams Based on Drill Cutting and Core Samples from Coal Mine Roadway. Energies 15, DOI: 10.3390/en15010178.
37.
Tomášková et al. 2017 – Tomášková, H., Šplíchalová, A., Šlachtová, H., Urban, P., Hajduková, Z., Landecká, I., Gromnica, R., Brhel, P., Pelclová, D. and Jirák, Z. 2017. Mortality in Miners with Coal-Workers’ Pneumoconiosis in the Czech Republic in the Period 1992–2013. IJERPH 14, DOI: 10.3390/ijerph14030269.
38.
Torries, T.F. 1998. Evaluating Mineral Projects – Applications and Misconceptions. Society for Mining. Metallurgy & Exploration. Englewood. USA.
39.
Tutak, M. and Brodny, J. 2019. Forecasting Methane Emissions from Hard Coal Mines Including the Methane Drainage Process. Energies 12, DOI: 10.3390/en12203840.
40.
Wind, Y. and Saaty, T.L. 1980. Marketing Applications of the Analytic Hierarchy Process. Management Science 26, pp. 641–658.
41.
Xu et al. 2023 – Xu, F., Hu, R., Zhang, M., Zhang, W., Kang, Q. and Du, M. 2023. Energy Saving and Emission Reduction Potential Evaluation of a Coal Mine Based on Fuzzy Hierarchical Analysis. Sustainability 15, DOI: 10.3390/su151511754.
42.
Zhang et al. 2022 – Zhang, K., Zhu, J., He, M., Jiang, Y., Zhu, C., Li, D., Kang, L., Sun, J., Chen, Z., Wang, X., Yang, H., Wu, Y. and Yan, X. 2022. Research on Intelligent Comprehensive Evaluation of Coal Seam Impact Risk Based on BP Neural Network Model. Energies 15, DOI: 10.3390/en15093292.
43.
Zhao et al. 2023 – Zhao, B., Liu, Q. and Zhu, J. 2023. Risk Assessment and Zonation of Roof Water Inrush Based on the Analytic Hierarchy Process. Principle Component Analysis. and Improved Game Theory (AHP–PCA–IGT) Method. Sustainability 15, DOI: 10.3390/su151411375.
Share
RELATED ARTICLE
| eISSN: | 2299-2324 |
| ISSN: | 0860-0953 |
We process personal data collected when visiting the website. The function of obtaining information about users and their behavior is carried out by voluntarily entered information in forms and saving cookies in end devices. Data, including cookies, are used to provide services, improve the user experience and to analyze the traffic in accordance with the Privacy policy. Data are also collected and processed by Google Analytics tool (more).
You can change cookies settings in your browser. Restricted use of cookies in the browser configuration may affect some functionalities of the website.
You can change cookies settings in your browser. Restricted use of cookies in the browser configuration may affect some functionalities of the website.
