© Instytut Mechaniki Górotworu PAN
Koncepcja holistycznej metody analizy próbek węgla z wykorzystaniem sztucznych sieci neuronowych
Marta Skiba
Instytut Mechaniki Górotworu PAN, ul. Reymonta 27, 30-059 Kraków
Streszczenie
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 gazo- wych 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.
Słowa kluczowe: grupy macerałów, sztuczne sieci neuronowe (SSN), węgiel odmieniony strukturalnie
1. Wstęp
Mikroskopowe analizy próbek węgla kamiennego prowadzone są za pomocą metod analizy punktowej oraz liniowej, w których wyniku sporządzana jest ich charakterystyka liczbowa oraz geometryczna. Pomiary te wykonywane są najczęściej w sposób nieautomatyczny, są czasochłonne, a przez to uciążliwe dla geolo- gów przeprowadzających analizy. Stereologiczne analizy punktowe węgla kamiennego są niezwykle istotne z punktu widzenia powiązania składu petrograficznego węgla z jego właściwościami technologicznymi oraz gazowymi. Stosowane są powszechnie do oceny węgla z punktu widzenia jego zastosowania w procesie koksowania. Tego typu analizy znajdują także zastosowanie w kopalniach do monitorowania jakości produktu oraz wykrywania i identyfikacji zanieczyszczeń. Ponadto, autorzy prac poświęconych problematyce zagro- żenia metanowego w podziemnych kopalniach węgla kamiennego sugerują, że wewnętrzna budowa węgla, możliwa do obserwacji wyłącznie pod mikroskopem, może wykazywać pewne cechy (takie jak: obecność spękań, struktur kataklastycznych czy mylonitycznych), które wpływają na zwiększoną pojemność gazową oraz wskazują na pokład szczególnie zagrożony zjawiskami gazogeodynamicznymi (Beamish i Crosdale, 1998; Cao i in., 2000; Jakubów i in., 2006).
W Instytucie Mechaniki Górotworu PAN od kilku lat prowadzone są badania dotyczące wykorzy- stania metod sztucznej inteligencji oraz analizy obrazu do automatycznej identyfikacji wybranych cech petrograficzno – strukturalnych węgla kamiennego. Pierwsze z prowadzonych prac dotyczyły wykorzystania w tym celu metod rozpoznawania obrazów, wspartych algorytmami przetwarzania oraz analizy obrazów.
Rozpoznawanie obrazów jest jednym z najstarszych obszarów badań w dziedzinie sztucznej inteligencji. Ma ono na celu określenie przynależności różnego typu obiektów do pewnych, uprzednio zdefiniowanych klas.
W wyniku analiz uzyskano wysoką skuteczność proponowanych metod w klasyfikacji badanych struktur węgla, na poziomie przekraczającym 90% poprawnych rozpoznań (Młynarczuk i Godyń, 2012; Młynarczuk i in., 2013). Następnie prowadzono badania bazujące na metodach sztucznych sieci neuronowych (Mły- narczuk i in., 2015; Młynarczuk i Skiba, 2017; Skiba i Młynarczuk, 2018). Na bazie uzyskanych wyników dotyczących skuteczności wybranych sieci neuronowych w identyfikacji składu macerałowego oraz cech strukturalnych, a także wniosków płynących z przeprowadzonych analiz opracowano koncepcję holistycznej
metody opisu próbek węgla. Pierwowzorem zaproponowanego algorytmu były manualne pomiary stereolo- giczne, wykonywane m. in. w ramach ekspertyz dotyczących określenia przyczyn wyrzutów gazów i skał w kopalniach podziemnych. Analizy te obejmowały opis próbek węgla kamiennego z uwzględnieniem jego cech petrograficznych (udziału grup macerałów), jak i strukturalnych – informacji o stopniu zniszczenia struktury węglowej (Wierzbicki i Młynarczuk, 2006). Wykazano korelację pomiędzy stopniem zniszczenia struktury węgla a umiejscowieniem próbek w zmniejszającej się odległości od kawerny wyrzutowej. Uzy- skane rezultaty pokazują, że rozpatrywane zagadnienie jest istotne z punktu widzenia bezpieczeństwa pracy w kopalniach podziemnych oraz wskazują na zasadność prowadzenia prac mających na celu automatyzację tego typu analiz, celem ograniczenia wpływu czynnika subiektywnego.
Proponowana w prezentowanej pracy metodyka zakłada prowadzenie tego typu analiz w sposób au- tomatyczny z wykorzystaniem sieci MLP, wyłącznie na bazie wiedzy jaką komputer uzyska na podstawie przykładowych zdjęć mikroskopowych oraz informacji o ich zawartości, podanych przez obserwatora – petrografa.
1.1. Perceptron wielowarstwowy (ang. multilayer perceptron, MLP) do zadań klasyfikacji
Analizując zastosowanie perceptronu wielowarstwowego w zagadnieniach klasyfikacji wielkość war- stwy wejściowej oraz wyjściowej zdeterminowana jest przez liczbę analizowanych cech oraz liczbę kategorii, do której zamierzmy przypisać badane obiekty. Kluczową kwestię w doborze właściwej architektury sieci stanowi natomiast struktura warstwy ukrytej – liczba warstw ukrytych oraz liczba neuronów w każdej z nich.
Zagadnienie to odpowiada za zdolności generalizacyjne sieci, czyli zdolność do generowania prawidłowych odpowiedzi po podaniu na wejście sieci przykładów, które nie były prezentowane w trakcie jej uczenia. Brak jest jednak jednoznacznej reguły określającej optymalny rozmiar warstwy ukrytej. Istnieją jedynie ogólne zalecenia, wynikające z doświadczenia w projektowaniu architektury sieci (Żurada i in., 1996; Tadeusiewicz, 1998). Jednym z nich jest stosowanie jednej warstwy ukrytej neuronów, co w większości przypadków wystarcza do sprawnego działania sieci MLP. Warstwa ta musi być na tyle duża, aby sieć prawidłowo aproksymowała, ale jednocześnie nie może być zbyt duża, ponieważ wtedy sieć utraci zdolności do uogólniania (Lula i in., 2007). Pojawia się tutaj pewnego rodzaju kompromis, którego osiągnięcie w praktyce wymaga szeregu eks- perymentów obliczeniowych prowadzonych dla różnych wariantów modeli neuronowych. Często stosowaną zasadą, dotyczącą określenia początkowej liczby neuronów w warstwie ukrytej, jest wyznaczenie jej jako średniej geometrycznej z liczby wejść i wyjść sieci. Projektowanie optymalnej struktury sieci pociąga za sobą konieczność oceny analizowanych modeli z punktu widzenia ich zdolności do aproksymacji i generalizacji.
Najczęściej problem ten rozwiązywany jest poprzez podział dostępnych danych na trzy grupy: zbiór uczący, walidacyjny oraz testujący. Pierwszy z nich prezentowany jest sieci w procesie treningu i stanowi podstawę do modyfikacji współczynników wagowych. Zbiór walidacyjny służy ocenie działania sieci i jest detektorem symptomów przeuczenia, wynikającego głównie ze zbyt rozbudowanej struktury sieci. Zbiór testowy służy natomiast ostatecznej ocenie działania rozpatrywanej sieci neuronowej (Tadeusiewicz i Szaleniec, 2015).
W zagadnieniach projektowania modelu neuronowego ważny jest także wybór oraz liczebność zbioru uczą- cego. Dane wykorzystywane do uczenia sieci powinny być reprezentatywne, a ich liczba kilkakrotnie większa od liczby wszystkich szacowanych parametrów modelu (wag).
2. Materiał i metody
Próbki węgla przeznaczone do badań pochodziły z rejonów przyuskokowych zlokalizowanych w po- kładach GZW:
• KWK „Pniówek” – pokłady: 404/4, 404/5 (Ro = 1,03%),
• KWK „Borynia-Zofiówka-Jastrzębie”, Ruch „Zofiówka” – pokład 406/1 (Ro = 1,05%).
Próbki do badań mikroskopowych odpompowano w próżni, a następnie zalano żywicą epoksydową.
Tak przygotowane preparaty poddano procesom szlifowania i polerowania otrzymując zgłady, stanowiące podstawę przeprowadzonych analiz. Procedurę wykonania zgładów ziarnowych przeprowadzono zgodnie z wytycznymi zamieszczonymi w normie PN-ISO 7404-2.
Otrzymane preparaty były następnie obserwowane za pomocą mikroskopu oraz fotografowane.
Do analiz wykorzystano mikroskop polaryzacyjny AXIOPLAN firmy ZEISS oraz sterowany komputerowo
stolik mechaniczny XYZ. Obserwacje prowadzono z wykorzystaniem imersji olejowej. Obraz uzyskany pod mikroskopem przekazywany był na monitor, za pomocą kamery CCD DS-Fi1 firmy Nikon o rozdzielczości 5 Mpx. Stosowano powiększenie 500×, co jest zgodne z normą PN-ISO 7404-3, dotyczącą petrograficznych analiz węgla kamiennego. Rozdzielczość zdjęć wynosiła 1280 × 960 pikseli. Przykładowe zdjęcia poddane analizie zaprezentowano na rysunku 1.
Rys. 1. Przykładowe zdjęcia próbek poddanych analizie, pochodzących z rejonów zaburzeń tektonicznych (powiększenie 500×, immersja olejowa)
Wstępnym etapem proponowanej metodyki było oddzielenie, na wykonanych zdjęciach mikro- skopowych, substancji węglowej od pozostałych składników, rozumianych jako wtrącenia nieorganiczne (minerały) oraz klej, w którym zatopione były ziarna węgla. Właściwa analiza polegała na identyfikacji składu macerałowego oraz cech strukturalnych badanych próbek. Prowadzona była w dwóch etapach.
Pierwszym krokiem była klasyfikacja struktur odmienionych węgla, bazująca na analizie kwadratowego obszaru zainteresowania (z punktem pomiarowym w jego centrum) o boku równym 151 pikseli. Następnie, w obrębie wydzielonej klasy węgla nieodmienionego, dokonywano klasyfikacji punktów do jednej z trzech grup macerałów. W tym przypadku analiza oparta była na polu pomiarowym o wielkości 41 × 41 pikseli.
Zastosowane parametry wynikały z wcześniej opisanych badań dotyczących klasyfikacji rozpatrywanych grup obiektów (Młynarczuk i in., 2015; Młynarczuk i Skiba, 2017). Na bazie uzyskanych wyników zdecy- dowano, że do identyfikacji poszczególnych typów węgla odmienionego wykorzystany zostanie algorytm bazujący na grupie sieci MLP, natomiast klasyfikacja grup macerałów przeprowadzona zostanie za pomocą pojedynczej sieci MLP. W zadaniu klasyfikacji z wykorzystaniem perceptronu wielowarstwowego kodowanie poszczególnych klas jest binarne. Wektor wartości oczekiwanych zawiera numery klas dla poszczególnych przykładów, natomiast wektor wyjściowy informuje do której klasy przypisany został aktualnie rozpatrywany wzorzec. Za rozpoznaną uznaję się klasę przypisaną do neuronu, który najsilniej zareagował na dany sygnał wejściowy. Możliwa jest także sytuacja braku decyzji odnośnie przynależności wzorca do zdefiniowanych klas. Przypadek ten dotyczy sytuacji, kiedy ustalony jest minimalny próg, którego wartość jest wyższa niż wartości uzyskane na wyjściach każdego z neuronów (Tadeusiewicz i Lula, 2001; Ciskowski, 2012). Jest to szczególnie istotne w przypadkach (np. medycznych), kiedy wstrzymanie się od decyzji może przynieść lepszy skutek niż nieprawidłowe rozpoznanie.
W przypadku klasyfikacji grup macerałów modyfikacji (redukcji z 5 do 3), w porównaniu do badań wcześniejszych (Młynarczuk i Skiba, 2017), uległa jedynie liczba rozpoznawanych klas. Proponowana me- toda holistyczna uwzględnia klasyfikację obrazów do jednej z trzech grup macerałów natomiast substancja mineralna oraz klej są identyfikowane i eliminowane już we wstępnym etapie analizy. Architektura oraz parametry zastosowanych sieci neuronowych były analogiczne do opisanych we wcześniejszych pracach, dotyczących klasyfikacji z wykorzystaniem wspomnianych modeli neuronowych (Młynarczuk i Skiba, 2017;
Skiba i Młynarczuk, 2018). W warstwie ukrytej każdej z sieci zastosowano tangensoidalną funkcję aktywa- cji, natomiast w warstwie wyjściowej funkcję liniową. Do uczenia sieci wykorzystano algorytm wstecznej propagacji błędu Levenberga-Marquardta. Liczba neuronów w warstwie wyjściowej odpowiadała liczbie rozpoznawanych klas. Schemat proponowanej metodyki zaprezentowano na rysunku 2.
Rys. 2. Schemat holistycznej metody analizy próbek węgla, uwzgledniającej cechy petrograficzne oraz strukturalne
3. Wyniki
Analizy oraz symulacje przedstawione w prezentowanej pracy przeprowadzono w programie MATLAB ver. 8.5. Wykorzystano bibliotekę Image Processing Toolbox do przetwarzania analizowanych obrazów oraz Neural Network Toolbox do klasyfikacji badanych obiektów za pomocą sztucznych sieci neuronowych.
We wstępnym etapie analiz, polegającym na wydzieleniu z badanych zdjęć mikroskopowych substan- cji węglowej, otrzymano średnią skuteczność wynoszącą 98,56% w porównaniu z decyzjami obserwatora.
W przypadku klasyfikacji struktur odmienionych węgla uzyskano 95,29% poprawnie zaklasyfikowanych struktur, natomiast średnia poprawność identyfikacji grup macerałów wynosiła 97,08%. Następnie przepro- wadzono rozpoznanie dla punktów, które nie były wykorzystanie w procesie treningu sieci neuronowych.
Wyniki działania systemu odniesione do poszczególnych grup obiektów zaprezentowano na rysunku 3.
94,46 97,67 95,81 96,38 92,23 90,02 95,94 98,00
0 10 20 30 40 50 60 70 80 90 100
Skuteczność klasyfikacji [%]
Rys. 3. Zestawienie wyników klasyfikacji badanych grup obiektów przeprowadzonej z wykorzystaniem holistycznej metody opisu próbek węgla
W wyniku przeprowadzonych analiz uzyskano średnią skuteczność proponowanej metodyki na po- ziomie przekraczającym 95% poprawnych klasyfikacji. Analizując wyniki szczegółowe (Rys. 3) widać, że najlepiej, z dokładnością na poziomie 98%, identyfikowane są struktury mylonityczne oraz grupa inertynitu.
Najmniej poprawnych klasyfikacji otrzymano natomiast w przypadku struktur prekataklazy oraz mezoka- taklazy. Należy jednak zwrócić uwagę, że skuteczność klasyfikacji wymienionych struktur przekracza 90%
poprawnie rozpoznanych obrazów, co należy uznać za wynik zadowalający z punktu widzenia prowadzonej analizy.
4. Podsumowanie
W pracy zaproponowano koncepcję holistycznej, automatycznej metody petrograficzno-strukturalnego opisu próbek węgla kamiennego, uwzględniającej zarówno ich skład petrograficzny oraz informację o stopniu zniszczenia struktury węglowej. W wyniku przeprowadzonych analiz uzyskano średnią skuteczność propo- nowanej metodyki na poziomie przekraczającym 95% poprawnych klasyfikacji. Najlepiej, z dokładnością na poziomie 98%, identyfikowane były struktury mylonityczne oraz grupa inertynitu. Otrzymane wyniki wskazują na dużą użyteczność proponowanej metodyki jako narzędzia uzupełniającego opis próbek węgla w aspekcie zagrożenia wyrzutowego.
Praca została wykonana w ramach prac statutowych realizowanych w IMG PAN w Krakowie, finanso- wanych przez Ministerstwo Nauki i Szkolnictwa Wyższego.
Literatura
Beamish B., Crosdale P. J., 1998: Instantaneous outbursts in underground coal mines: An overview and association with coal type, International Journal of Coal Geology 35, 27-55.
Cao Y, Mitchell G. D., Davis A., Wang D., 2000: Deformation metamorphism of bituminous and anthracite coals from China.
International Journal of Coal Geology 43, 227-242.
Ciskowski P., 2012: Poznawanie własności sieci neuronowych w środowisku MATLAB. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
Lula P., Paliwoda-Pękosz G., Tadeusiewicz R., 2007: Metody sztucznej inteligencji i ich zastosowania w ekonomii i zarzą- dzaniu. Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
Młynarczuk M., Godyń K., 2012: Wykorzystanie metod rozpoznawania obrazów do wspierania procesu decyzyjnego doty- czącego klasyfikacji węgla ze względu na wybrane cechy petrograficzne. Prace Instytutu Mechaniki Górotworu PAN, Tom 14, nr 1-4, s. 3-14.
Młynarczuk M., Godyń K., Aksamit J., 2013: Optymalizacja procesu automatycznej klasyfikacji cech strukturalnych węgla z obszarów zagrożonych wyrzutami gazów i skał opartego na metodach rozpoznawania obrazów. Prace Instytutu Mechaniki Górotworu PAN, Tom 15, nr 1-2, s. 85-93.
Młynarczuk M., Godyń K., Skiba M., 2015: Wykorzystanie sztucznych sieci neuronowych do klasyfikacji struktur odmienio- nych węgla kamiennego w strefach przyuskokowych, Przegląd Górniczy, Vol. 11, pp. 15-20.
Młynarczuk M., Skiba M., 2017: The application of artificial intelligence for the identification of the maceral groups and mineral components of coal. Computers & Geosciences, Vol. 103, pp. 133-141.
Jakubów A., Tor A., Wierzbicki M., 2006: Własności strukturalne węgla w rejonie wyrzutu węgla i gazu w chodniku transportowym D-6 pokład 409/4 KWK „Zofiówka”, Konferencja Naukowo-Techhniczna „Górnicze Zagrożenia Naturalne”.
PN-ISO 7404-2, 2005: Metody analizy petrograficznej węgla kamiennego (bitumicznego) i antracytu. Część 2: Metoda przygotowania próbek węgla. Polski Komitet Normalizacyjny, Warszawa.
PN-ISO 7404-3, 2001: Metody analizy petrograficznej węgla kamiennego (bitumicznego) i antracytu. Polski Komitet Nor- malizacyjny, Warszawa.
Skiba M., Młynarczuk M., 2018: Identification of macerals of the inertinite group using neural classifiers, based on selected textural features. Arch. Min. Sci., Vol. 63, No 4, pp. 827-837.
Tadeusiewicz R., 1998: Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. Akademicka Oficyna Wydawnicza, Warszawa.
Tadeusiewicz R., Lula P., 2001: Wprowadzenie do sieci neuronowych, StatSoft, Kraków.
Tadeusiewicz R., Szaleniec M., 2015: Leksykon sieci neuronowych. Wyd. I, Wydawnictwo Fundacji „Projekt Nauka”, Wrocław.
Wierzbicki M., Młynarczuk M., 2006: Microscopic analysis of structure of coal samples collected after a gas and coal outbursts in the gallery D-6, coal seam 409/4 in the “Zofiówka” coal mine (upper Silesian coal basin). Arch. Min. Sci., t. 51, s. 577-588.
Żurada J., Barski M., Jędruch W., 1996: Sztuczne sieci neuronowe: podstawy teorii i zastosowania.
Wydawnictwo Naukowe PWN, Warszawa.
The concept of a holistic method of coal samples analysis using artificial neural networks
Abstract
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 pro- perties 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.
Keywords: maceral groups, artificial neural networks (ANN), structurally altered coal
