English
Język Polski
System monitorowania stabilności składowiska odpadów poflotacyjnych z wykorzystaniem zaawansowanej analizy big data na przykładzie obiektu Żelazny Most
DOI:
https://doi.org/10.24425/ace.2022.140643Abstrakt
W składowisku odpadów poflotacyjnych KGHM Żelazny Most składuje się rocznie około 30 milionów ton odpadów przeróbczych. Zajmujący powierzchnię prawie 1,6 tys. ha i otoczony zaporami o łącznej długości 14 km i wysokości na niektórych obszarach ponad 70 m, czyni go największym zbiornikiem odpadów poflotacyjnych w Europie i drugim co do wielkości na świecie. Z około 2900 urządzeniami monitorującymi i punktami pomiarowymi otaczającymi obiekt, Żelazny Most jest przedmiotem całodobowego monitoringu, co ze względów bezpieczeństwa i ekonomicznych ma kluczowe znaczenie nie tylko dla najbliższego otoczenia obiektu, ale dla całego regionu. Sieć monitoringu można podzielić na cztery główne grupy: (a) geotechniczna, składająca się głównie z inklinometrów i przetworników ciśnienia porowego VW, (b) hydrologiczna z piezometrami i miernikami poziomu wody, (c) geodezyjne z pomiarami laserowymi i GPS oraz jako repery powierzchniowe i gruntowe, (d) sieć sejsmiczna, składająca się głównie ze stacji akcelerometrów. Oddzielnie przeprowadza się szereg różnych analiz chemicznych, równolegle z procesami spigotingu i monitorowaniem studni odciążających. Prowadzi to do dużej ilości danych, które są trudne do analizy konwencjonalnymi metodami. W tym artykule omawiamy podejście oparte na uczeniu maszynowym, które powinno poprawić jakość monitorowania i utrzymania takich obiektów. Przedstawiono przegląd głównych algorytmów opracowanych do wyznaczania parametrów stateczności lub klasyfikacji odpadów. Do analizy i klasyfikacji odpadów wykorzystano pomiary z testów CPTU. Klasyfikacja gruntów naturalnych z wykorzystaniem badan CPT jest powszechnie stosowana, nowością jest zastosowanie podobnej metody do klasyfikacji odpadów na przykładzie zbiornika poflotacyjnego. Analiza eksploracyjna pozwoliła na wskazanie najistotniejszych parametrów dla modelu. Do klasyfikacji wykorzystano wybrane modele uczenia maszynowego: k najbliższych sąsiadów, SVM, RBF SVM, drzewo decyzyjne, las losowy, sieci neuronowe, QDA, które porównano w celu wytypowania najskuteczniejszego. Koncepcje opisane w tym artykule będą dalej rozwijane w projekcie IlluMINEation (H2020).Bibliografia
[1] I. Bagińska, W. Janecki, M. Sobótka, “On the interpretation of seismic cone penetration test (SCPT) results”, Studia Geotechnica et Mechanica, 2013, vol. 35, no. 4, pp. 3-11, DOI: 10.2478/sgem-2013-0033.
[2] B. Bhattacharya, D.P. Solomatine, “Machine learning in soil classification”, Neural networks, 2006, vol. 19, no. 2, pp. 186-195, DOI: 10.1016/j.neunet.2006.01.005.
[3] B.J. Douglas, “Soil classificaion using electric cone penetrometer”, in Symposium on Cone Penetration Testing and Experience. Geotechnical Engineering Division. ASCE, 1981, pp. 209-227.
[4] H. Dudycz, P. Stefaniak, P. Pyda, “Advanced data analysis in multi-site enterprises. Basic problems and challenges related to the IT infrastructure”, in International Conference on Computational Collective Intelligence. Cham: Springer, 2019, pp. 383-393.
[5] T.K. Ho, “The random subspace method for constructing decision forests”, IEEE transactions on pattern analysis and machine intelligence, 1998, vol. 20, no. 8, pp. 832-844, DOI: 10.1109/34.709601.
[6] Illumineation. [Online]. Available: https://www.illumineation-h2020.eu.
[7] M. Jamiolkowski, W.D. Carrier, R.J. Chandler, K. Høeg, W. Swierczynski, W. Wolski, “The geotechnical problems of the second world largest copper tailings pond at Zelazny Most, Poland”, in 1st Za Chieh-Moh Distinguished Lecture keynote speech, Proceedings of the 17th SEAGC South East Asian Geotechnical Conference, Taipei, Taiwan, vol. 2, J.C.C. Li, M.L. Lin, Eds. Taipei, 2010, pp. 12-27.
[8] P. Kruczek, N. Gomolla, J. Hebda-Sobkowicz, A. Michalak, P. Śliwiński, J. Wodecki, R. Zimroz, “Predictive maintenance of mining machines using advanced data analysis system based on the cloud technology”, in Proceedings of the 27th International Symposium on Mine Planning and Equipment Selection-MPES 2018, Cham: Springer, 2019, pp. 459-470.
[9] P.U. Kurup, E.P. Griffin, “Prediction of soil composition from CPT data using general regression neural network”, Journal of Computing in Civil Engineering, 2006, vol. 20, no. 4, pp. 281-289, DOI: 10.1061/(ASCE)0887-3801(2006)20:4(281).
[10] T. Lunne, P.K. Robertson, J.J.M. Powell, Cone penetration testing in geotechnical practice. CRC Press, 1997.
[11] A.J. Lutengger, In Situ Testing Methods in Geotechnical Engineering. Oxon: CRC Press, 2021, pp. 103-167.
[12] P.K. Robertson, “Soil classification using the cone penetration test”, Canadian Geotechnical Journal, 1990, vol. 27, no. 1, pp. 151-158, DOI: 10.1139/t90-014.
[13] P.K. Robertson, K.L. Cabal, Guide to cone penetration testing for geotechnical engineering. Gregg Drilling & Testing, 2010.
[14] B. Schölkopf, A.J. Smola, R.C. Williamson, P.L. Bartlett, “New support vector algorithms”, Neural computation, 2000, vol. 12, no. 5, pp. 1207-1245, DOI: 10.1162/089976600300015565.
[15] D.L. Skiles, F.C. Townsend, “Predicting Shallow Foundation Settlement in Sands from DMT”, in Vertical and Horizontal Deformations of Foundations and Embankments. ASCE Geotechnical Special Publications, no. 40. 1994, vol. 1, pp. 132-142.
[16] S. Srivastava, M.R. Gupta, B.A. Frigyik, “Bayesian quadratic discriminant analysis”, Journal of Machine Learning Research, 2007, vol. 8, pp. 1277-1305.
[17] P. Stefanek, J. Engels, K. Wrzosek, P. Sobiesak, M. Zalewski, “Surface tailings disposal at the Żelazny Most TSF, today and into the future”, in Proceedings of the 20th International Seminar on Paste and Thickened Tailings. University of Science and Technology Beijing, 2017, pp. 213-225, DOI: 10.36487/ACG_rep/1752_24_Stejanek.
[18] K. Stefaniak, M. Wróżyńska, “On possibilities of using global monitoring in effective prevention of tailings storage facilities failures”, Environmental Science and Pollution Research, 2018, vol. 25, no. 6, pp. 5280-5297.
[19] M. Wróżyńska, “Prediction of Postflotation Tailings Behavior in a Large Storage Facility”, Minerals, 2021, vol. 11, no. 4, p. 362, DOI: 10.3390/min11040362.
Pobrania
Opublikowane
Jak cytować
Numer
Dział
