baner - AGH
baner - BG
C   Z   A   S   O   P   I   S   M   A        E   L   E   K   T   R   O   N   I   C   Z   N   E        A   G   H


Knowledge-based modeling and multi-objective optimization of production in underground coal mines.

Edyta Brzychczy, Piotr Wnuk-Lipiński

Vol. 37, no. 1 (2013), s. 13-25, [1]

Full text: pdfPDF

Abstract:

In this paper a modern approach to the modeling and optimization of production in underground hard coal mines is presented. It begins with definitions and concepts linked to the planning processes associated with mining in hard coal mines. The main assumptions of the knowledge-based modeling of longwall characteristics are presented, as well as formulas for the optimization function. The use of mine planning knowledge discovered by Data Mining techniques is suggested as well as statistical analysis and application of the evolutionary algorithm, which is used as an optimization technique, to search for the best solutions in the engagement of longwall equipment in planned longwall faces. According to assumed criteria: the expected value of the net output of coal from the mining company [t/months] and the standard deviation of the net output of coal from the mining company [t/months]). Because of the multi-objective nature of the problem, a special evolutionary algorithm, MOEA-MPO, was designed. In this paper, we attempt to solve the problem of optimizing mining production for d longwall faces and n equipment installations with adequate constraints. MOEA-MPO deals with a population of N individuals representing candidate solutions linked to the optimization problem. Each individual encodes an integer vector x of length d, where each coordinate x/i of the vector x corresponds to the number of the equipment installation assigned to the i-th longwall face (therefore, x/i ∈{1, 2,..., n}). In the proposed algorithm, three types of mutation operators as well as a crossover operator were implemented. The main elements and results obtained are described in the paper.

W artykule zaprezentowano nowoczesne podejście do modelowania i optymalizacji produkcji górniczej w wielozakładowym przedsiębiorstwie górniczym. W pierwszej części artykułu opisano charakterystykę procesu planowania prowadzonego w kopalniach węgla kamiennego. Następnie przedstawiono założenia dotyczące modelowania robót górniczych opartego na wiedzy. Zaproponowano wykorzystanie wiedzy w zakresie doboru sprzętu do warunków wyrobisk ścianowych oraz zestawiania maszyn i urządzeń ze sobą w zestawy ścianowe, pozyskanej w procesie Data Mining, do określenia możliwości wyposażenia planowanych wyrobisk ścianowych i ich wyników produkcyjnych. Etap optymalizacji realizowany jest przez specjalny algorytm ewolucyjny, umożliwiający wielokryterialną analizę i ocenę potencjalnych rozwiązań pod względem wybranych kryteriów, tj. minimalizację odchylenia wartości oczekiwanej wydobycia od wartości planowanych i minimalizację odchylenia standardowego wydobycia w analizowanym okresie w przypadku planowanych wyrobisk ścianowych. Sformułowany problem badawczy dotyczy optymalizacji produkcji górniczej dla d wyrobisk ścianowych i n zestawów ścianowych z uwzględnieniem istniejących ograniczeń. W opracowanym algorytmie MOEA-MPO analizie poddawana jest populacja N osobników reprezentujących potencjalne rozwiązania. Każdy osobnik reprezentowany jest przez wektor liczb całkowitych x o długości d, w którym każdy element wektora x/i odpowiada zestawom ścianowym przypisanym do danego wyrobiska ścianowego (x/i ∈{1, 2, ..., n}). W proponowanym algorytmie zastosowano trzy typy operatorów mutacji i operator krzyżowania. W artykule zaprezentowano główne elementy opracowanego algorytmu oraz przykładowe wyniki obliczeń.

DOI: dx.doi.org/10.7494/mining.2013.37.1.13