Науковий вісник НГУ

Використання параметрів зворотного розсіювання ультразвуку для розпізнавання різновидів залізної руди

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №6 2023

Останнє оновлення: 02 січня 2024

Опубліковано: 30 листопада -0001

Перегляди: 900

Authors:

В.С.Моркун*, orcid.org/0000-0003-1506-9759, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Н.В.Моркун, orcid.org/0000-0002-1261-1170, Байройтський університет, м. Байройт, Федеративна Республіка Німеччина, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В.В.Тронь, orcid.org/0000-0002-6149-5794, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О.Ю.Сердюк, orcid.org/0000-0003-1244-7689, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А.А.Гапоненко, orcid.org/0000-0003-1128-5163, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент 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. 2023, (6): 019 - 024

https://doi.org/10.33271/nvngu/2023-6/019

Abstract:

Мета. Розробка методу розпізнавання основних мінералого-технологічних різновидів залізної руди у родовищі, що розробляється, шляхом підбору аналітичної моделі до спектральних характеристик отриманих ультразвукових ехо-сигналів і кількісної оцінки їх параметрів.

Методика. У роботі використані методи моделювання процесів поширення ультразвукових хвиль у випадково-неоднорідному середовищі. Розглянуто процес зворотного розсіювання ультразвуку в мінеральних структурах, утворених включеннями залізної руди різних різновидів і супутньої породи. Досліджені оціночні параметри спектральної характеристики обернено розсіяного зондувального ультразвукового імпульсу.

Результати. Запропоновано метод розпізнавання основних мінерально-технологічних різновидів залізної руди родовища, що розробляється, на основі параметрів поширення ультразвукових хвиль у досліджуваних зразках. Це досягається підбором аналітичної моделі до спектральних характеристик отриманих ехо-сигналів і кількісної оцінки їх параметрів. Амплітуда ехо-сигналу та його спектральні властивості залежать від розміру й концентрації розсіювачів, тобто, структурних і текстурних особливостей досліджуваного зразка залізної руди. З урахуванням цих факторів зазначені параметри моделі застосовувалися для ідентифікації основних мінералого-технологічних різновидів залізної руди досліджуваного родовища. Середня точність розпізнавання основних мінералого-технологічних різновидів залізної руди досліджуваного родовища склала 90,8 %.

Наукова новизна. Пропонований метод розпізнавання мінералого-технологічних різновидів залізної руди відрізняється від відомих тим, що в якості оціночних параметрів використовуються амплітуда, центральна частота та ширина смуги пропускання амплітудного спектру параметричної моделі Гауса виміряних ехо-сигналів.

Практична значимість. Запропоноване науково-технічне рішення дозволяє здійснювати оперативний неруйнівний контроль основних мінералого-технологічних різновидів залізної руди у процесі її видобутку й переробки.

Ключові слова: ультразвуковий аналіз, зворотне розсіювання, залізна руда, мінеральні різновиди

References.

1. Porkuian, O., Morkun, V., Morkun, N., & Serdyuk, O. (2019). Predictive control of the iron ore beneficiation process based on the Hammerstein hybrid model. Acta Mechanica et Automatica, 13(4), 262-270. https://doi.org/10.2478/ama-2019-0036.

2. Kotov, I., Suvorov, O., & Serdiuk, O. (2019). Development of methods for structural and logical model unification of metaknowledge for ontologies evolution managing of intelligent systems. Eastern-European Journal of Enterprise Technologies, 2(4-98), 38-47. https://doi.org/10.15587/1729-4061.2019.155410.

3. Tishchenko, S., Eremenko, G., Kukharenko, O., Pikilnyak, A., & Gaponenko, I. (2015). Definition of the destruction zone boundaries and particle size distribution of blasted rock mass in the explosion of a single explosive charge in an inorganic medium. Metallurgical and Mining Industry, 7(8), 564-567.

4. Golik, V., Morkun, V., Morkun, N., & Gaponenko, I. (2018). Improvement of hole drilling technology for ore drawing intensification. Mining of Mineral Deposits, 12(3), 63-70. https://doi.org/10.15407/mining12.03.063.

5. de Hoop, H., Yoon, H., Kubelick, K., & Emelianov, S. (2018). Photoacoustic speckle tracking for motion estimation and flow analysis. Journal of biomedical optics, 23(9), 1-9. https://doi.org/10.1117/1.JBO.23.9.096001.

6. Liu, W.W., & Li, P.C.J. (2020). Photoacoustic imaging of cells in a three-dimensional microenvironment. Journal of Biomedical Science, 27(1), 3. https://doi.org/10.1186/s12929-019-0594-x.

7. Choe, J.H., Lee, K.S., Choy, I., & Cho, W. (2018). Model of received signal based on system dynamic model of ultrasonic transducers. ultrasonic distance measurement method by using the envelope. Journal of Electrical Engineering and Technology, 13(2), 981-988. https://doi.org/10.5370/JEET.2018.13.2.981.

8. Lina, F., Cristeaa, A., Cacharda, C., & Basseta, O. (2015). Tissue characterization on ultrasound harmonic signals using Nakagami statistics. International Congress on Ultrasonics, Physics Procedia, 70, 1165-1168. https://doi.org/10.1016/j.phpro.2015.08.250.

9. Klimonda, Z., Litniewski, J., Piotr, K., & Nowicki, A. (2015). Spatial and frequency compounding in application to attenuation estimation in Tissue. Archives of Acoustics, 39. https://doi.org/10.2478/aoa-2014-0056.

10. Hoseini, M. R., Wang, X., & Zuo, M. J. (2012). Estimating ultrasonic time of flight using envelope and quasi maximum likelihood method for damage detection and assessment. Measurement, 45(8), 2072-2080. https://doi.org/10.1016/j.measurement.2012.05.008.

11. Bevans, R. (2022). Akaike Information Criterion | When & How to Use It (Example). Retrieved from https://www.scribbr.com/statistics/akaike-information-criterion/.

12. Dobrovolskij, D., & Schladitz, K. (2022). Simulation of Ultrasonic Backscattering in Polycrystalline Microstructures. Acoustics, 4(1), 139-167. https://doi.org/10.3390/acoustics4010010.

13. Jia, N., Su, M., & Cai, X. (2019). Particle size distribution measurement based on ultrasonic attenuation spectra using burst superposed wave. Results in Physics, 13, 102273. https://doi.org/10.1016/j.rinp.2019.102273.

14. Kim, Y., Park, J., & Kim, H. H. (2020). Signal-Processing Framework for Ultrasound Compressed Sensing Data: Envelope Detection and Spectral Analysis. Applied Sciences, 10(19), 6956. https://doi.org/10.3390/app10196956.

15. Tron, V., Haponenko, A., Haponenko, I., & Paranyuk, D. (2020). Borehole logging based on ultrasonic measurements. E3S Web of Conferences, 201, 01025. https://doi.org/10.1051/e3sconf/202020101025.

16. Mercado, K. P., Radhakrishnan, K., Stewart, K., Snider, L., Ryan, D., & Haworth, K. J. (2016). Size-isolation of ultrasound-mediated phase change perfluorocarbon droplets using differential centrifugation. Journal of the Acoustical Society of America, 139(5), EL142–EL148. https://doi.org/10.1121/1.4946831.

17. Gambin, B., Byra, M., Kruglenko, E., Nowicki, A., & Doubrovina, O. (2016). Ultrasonic measurement of temperature rise in breast cyst and in surroundings regions. Archives of Acoustics, 41(4), 791-798.

18. Song, Y., Kube, C. M., Peng, Z., Turner, J. M. W., & Li, X. (2019). Flaw detection with ultrasonic backscatter signal envelopes. The Journal of the Acoustical Society of America, 145(2), EL142–EL148. https://doi.org/10.1121/1.5089826.

19. Daba, J. S., & Dubois, J. P. (2015). Statistical Modeling of Local Area Fading Channels Based on Triply Stochastic Filtered Marked Poisson Point Processes. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.1110109.

20. Chen, F., He, A., Fu, S., Liu, X., Liu, Y., & Qu, X. (2019). A method to locate spatial distribution of scattering centers from ultrasonic backscatter signal. Journal of the Acoustical Society of America. https://doi.org/10.1121/1.5098947.

21. Tsui, P. (2013). Dependency of Ultrasonic Nakagami Images on The Mechanical Properties of Scattering Medium. Journal of Medical and Biological Engineering, 33(1), 95. https://doi.org/10.5405/jmbe.1101.

22. Kim, Y., Park, J., & Kim, H. H. (2020). Signal-Processing Framework for Ultrasound Compressed Sensing Data: Envelope Detection and Spectral Analysis. Applied Sciences, 10(19), 6956. https://doi.org/10.3390/app10196956.

23. Vogt, M., & Deilmann, M. (2019). 5.3.3 Parametric spectrum analysis of backscattered ultrasound signals for the characterization of particles in suspensions. https://doi.org/10.5162/sensoren2019/5.3.3.

24. Klimonda, Z., Litniewski, J., Karwat, P., & Nowicki, A. (2015). Spatial and Frequency Compounding in Application to Attenuation Estimation in Tissue. Archives of Acoustics, 39(4), 519-527. https://doi.org/10.2478/aoa-2014-0056.

25. Valada, A., & Burgard, W. (2017). Deep spatiotemporal models for robust proprioceptive terrain classification. The International Journal of Robotics Research, 36(13-14), 1521-1539. https://doi.org/10.1177/0278364917727062.

• < Попередня
• Наступна >