Науковий вісник НГУ

Новий підхід до застосування штучного інтелекту для прогнозування заземлюючих резисторів у підземних шахтах В'єтнаму

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №5 2022

Останнє оновлення: 30 жовтня 2022

Опубліковано: 30 листопада -0001

Перегляди: 1916

Authors:

Ле Сюан Тхань, orcid.org/0000-0001-5052-4484, Ханойський університет гірничої справи та геології, м. Ханой, Соціалістична Республіка В'єтнам, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Хо В’єт Бун, orcid.org/0000-0003-2123-9179, Ханойський університет гірничої справи та геології, м. Ханой, Соціалістична Республіка В'єтнам, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2022, (5): 158 - 163

https://doi.org/10.33271/nvngu/2022-5/158

Abstract:

Мета. Застосувати технологію штучного інтелекту (ШІ) для прогнозування опору заземлення в підземних шахтах з урахуванням параметрів зміни клімату.

Методика. У підземних вугільних шахтах В’єтнаму системи заземлення повсюдно обладнані окремими стрижнями, з’єднаними із централізованим заземлювачем; дана система істотно впливає на електробезпеку та вибухобезпеку. За щоденної експлуатації опір системи заземлення необхідно регулярно вимірювати й перевіряти для забезпечення значення нижче допустимої межі (2). Однак через вплив кліматичних параметрів (вологість і температура в шахтах) ця величина часто змінюється. Ґрунтуючись на застосуванні нової нейронної мережі із 3 прихованими шарами, включаючи змінні параметри, у роботі представлено новий підхід до прогнозування опору заземлення. За допомогою наочного й легкого у використанні програмного забезпечення формується алгоритм, що допомагає оператору прогнозувати опір. Прогноз може бути використаний під час оперативного управління гірничим оператором, коли проводиться спостереження й перевірка системи заземлення в підземних шахтах.

Результати. Розроблено програмне забезпечення на основі технології ШІ, що допомагає оператору прогнозувати значення заземлюючого резистора в залежності від зміни клімату.

Наукова новизна. Нейронна мережа із застосуванням технології ШІ використовується з урахуванням вимірювань на місці.

Практична значимість. Результати прогнозування можуть бути використані у разі виникнення складнощів при вимірюванні. Вони також допоможуть виправити або усунути помилки вимірювання, допущені гірничим техніком.

Ключові слова: мережа 660 В, технологія штучного інтелекту, система заземлення, нейронна мережа, підземні шахти

References.

1. VINAMCOMIN (2019). Orientation for sustainable development of coal mining approved by Prime-minister’s Decision No. 403/2016/QĐ-TTg. Retrieved from http://www.vinacomin.vn/dinh-huong-phat-trien-ben-vung-nganh-than-viet-nam-gan-voi-dam-bao-an-ninh-nang-luong/dinh-huong-phat-trien-ben-vung-nganh-than-viet-nam-gan-voi-dam-bao-an-ninh-nang-luong-201901181507032041.htm.

2. Vietnam National regulation on safety Mining, QCVN 01:2011/BCT (2011). Retrieved from http://www.kiemdinh.vn/upload/files/QCVN%2001-2011-BCT%20An%20toa%CC%80n%20trong%20khai%20tha%CC%81c%20than%20h%C3%A2%CC%80m%20lo%CC%80.pdf.

3. Coal Mining Safety and Health Regulation 2017, Part 4 Electrical activities, equipment and installations (2017). Retrieved from https://www.legislation.qld.gov.au/view/pdf/asmade/sl-2017-0165.

4. Safety Standards for Electrical Installations and Equipment in explosives facilities, JSP 482 MOD Explosives Regulations (2016). Retrieved from https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/529168/20160526-JSP_482_Edt4_1_Chapter_8.pdf.

5. TCVN 6780-4, 2009, Ministry of Industry – National Technical safety Regulation on Underground mines (n.d.). Retrieved from https://tieuchuan.vsqi.gov.vn/tieuchuan/view?sohieu=TCVN+6780-4%3A2009.

6. Niculescu, T., Arad, V., Marcu, M., Arad, S., & Popescu, F. G. (2020). Safety barrier of electrical equipment for environments with a potential explosion in underground coal mines. Mining of Mineral Deposits, 14(3), 78-86. https://doi.org/10.33271/mining14.03.078.

7. Androvitsaneas, V. P., Tsekouras, G. J., Gonos, I. F., & Stathopulos, I. A. (2014). Design of an artificial neural network for ground resistance forecasting. Power Generation, Transmission, Distribution and Energy Conversion, 1-6. https://doi.org/10.13140/RG.2.1.2509.6807.

8. ANSI/IEEE Std 80-2000: IEEE Guide for safety in AC substation grounding (2000). Retrieved from https://www.powerandcables.com/wp-content/uploads/2017/12/IEEE-Guide-for-Safety-In-AC-Substation-Earthing-Grounding.pdf.

9. ANSI/IEEE Std 81-2012: IEEE guide for measuring earth resistivity, ground impedance, and earth surface potentials of a grounding system (n.d.). Retrieved from https://standards.ieee.org/standard/81-2012.html.

10. Thanh, L. X., & Bun, H. V. (2021). Identifying the efficiency decrease factor of motors working under power harmornic in 660V electric mining grids. Mining of Mineral Deposits, 15(4), 108-113. https://doi.org/10.33271/mining15.04.108.

11. Thanh, L. X., & Bun, H. V. (2022). Identifying the factors influencing the voltage quality of 6 kV grids when using electric excavators in surface mining. Mining of Mineral Deposits, 16(2), 73-80. https://doi.org/10.33271/mining16.02.073.

12. Abrougui, K., Gabsi, K., Mercatoris, B., Khemis, C., Amami, R., & Chehaibi, S. (2019). Prediction of organic potato yield using tillage systems and soil properties by artificial neural network (ANN) and multiple linear regressions (MLR). Soil and Tillage Research, (190), 202-208. https://doi.org/10.1016/j.still.2019.01.011.

13. Amaral, F. C. L., de Souza, A. N., & Zago, M. G. (2003). A novel approach to model grounding systems considering the influence of high frequencies. Electricity Generation & Transmission, 1-9.

14. Gouda, O. E., Amer, G. M., & EL-Saied, T. M. (2006). Optimal design of grounding system in Uniform and Non-uniform soils using ANN. International Journal of Soft Computing, 1(3), 175-180.

15. He, J., Yu, G., Yuan, J., Zeng, R., Zhang, B., Zou, J., & Guan, Z. (2005). Decreasing grounding resistance of substation by deep-ground-well method. IEEE transactions on power delivery, 20(2), 738-744. https://doi.org/10.1109/TPWRD.2005.844301.

16. Asimakopoulou, F. E., Tsekouras, G. J., Gonos, I. F., & Stathopulos, I. A. (2013). Estimation of seasonal variation of ground resistance using artificial neural networks. Electric Power Systems Research, (94), 113-121. https://doi.org/10.1016/j.epsr.2012.07.018.

17. Asimakopoulou, F. E., Kourni, E. Α., Kontargyri, V. T., Tsekouras, G. J., & Stathopulos, I. A. (2013). Artificial Neural Network Methodology for estimation of ground resistance. Recent Researches in System Science, 453-458.

18. Anbazhagan, S. (2015). Athens seasonal variation of ground resistance prediction using neural networks. Journal on Soft Computing, 1113-1116. https://doi.org/10.21917/ijsc.2015.0154.

19. Ismujianto, Aji, A. D., Isdawimah, & Nadhiroh, N. (2019). Real-time Measurement for Controlling Grounding Resistance. Proceedings of the 8^th Annual Southeast Asian International Seminar, 120-125. https://doi.org/10.5220/0009910801200125.

20. Selvam, A., & Manikandan, P. (2016). Performance analysis of Flyash with Bentonite in grounding pit. In 3 ^rd International Conference on Electrical Energy Systems (ICEES), 58-61. https://doi.org/10.1109/ICEES.2016.7510616.

21. Ismujianto, Isdawimah, & Nadhiroh, N. (2019). Improvement of Electrical grounding system using bentonite. Journal of Physics: Conference Series, 1364(1), 012063. https://doi.org/10.1088/1742-6596/1364/1/012063.

22. Jais, I. K. M., Ismail, A. R., & Nisa, S. Q. (2019). Adam optimization algorithm for wide and deep neural network. Knowledge Engineering and Data Science, 2(1), 41-46. https://doi.org/10.17977/um018v2i12019p41-46.

• < Попередня
• Наступна >