|
|||||
Kasuliku mudeli andmed: |
|||||
| Taotluse number: | U202200022 | |
| Registreeringu number: | 01604 | |
| Taotluse esitamise kuupäev: | 19.07.2022 | |
| Avaldamise kuupäev: | 17.07.2023 | |
| Registreeringu kehtivuse alguse kuupäev: | 19.07.2022 | |
| Prioriteedi kuupäev: | ||
| Nimetus (eesti keeles): | Meetod põlevkivi kütteväärtuse määramiseks digipildi elementide statistilise jaotusgraafiku abil | |
| Nimetus (inglise keeles): | A method for determining the calorific value of oil shale using a statistical distribution graph of digital image elements | |
| Olek: | Registreeritud | |
| Kehtivuse lõppemise kuupäev: | 19.07.2026 | |
| IPC klass: | G01N21/25 | |
| CPC klass: | G01N 21/25 | |
| Lühikokkuvõte (eesti keeles): | Tööstuses on vaja põlevkivi kütteväärtuse määramist reaalajas, et põlevkivi kvaliteedist sõltuvalt valida õige töötlusre˛iim. Leiutise objektiks on põlevkivi kütteväärtuse määramine digitaalse foto põhjal. Antud leiutis rajaneb sellel, et põlevkivi erinevad komponendid on eri värvusega. Kütteväärtust mõjutab positiivselt orgaanilise komponendi - kerogeeni sisaldus. Ülejäänud mittepõlevad peamised komponendid on lubja- ning savimineraalid. Põlevate ja mittepõlevate komponentide jaotus põlevkivis on ebaühtlane ning värvide erinevus erineva kütteväärtusega põlevkivi proovidel ei ole inimsilmaga eristatav, kuid see on piisav masinõppe abil treenitud mudeli jaoks. Masinõppe mudelid on treenitud kaheksa kütteväärtuse klassi proovide peal, mille kütteväärtus määratakse laboratoorselt kalorimeetriilise pommi meetodil. Antud leiutise rakendamisel on eristatavad viis peamist etappi: digitaalse foto tegemine tootmisliinil; foto teisendamine numbriliseks vektoriks; atribuutide konstrueerimine, mis seisneb iga värvikanali teatud intensiivsuse vahemikku jäävate pikslite loendamises ja normaliseerimises; eelnevalt treenitud masinõppe mudelite rakendamine; põlevkiviproovi liigitamine ühte kaheksast kütteväärtuse klassist. | |
| Lühikokkuvõte (inglise keeles): | In industry, it is necessary to determine the calorific value of oil shale in real time in order to choose the right processing method based on the quality of the oil shale. This invention is based on the fact that the calorific value is positively influenced by the content of the organic component - kerogen. The distribution of combustible and non-combustible components in oil shale is uneven, the human eye cannot distinguish the difference in color of oil shale samples with different calorific values. But these slight differences in color are sufficient for a maschine learning model to determine the calorific value from a digital photo. These models were trained on samples of 8 calorific value classes. In the implementation of the invention, 5 main stages are distinguished: taking a digital photo on the production line; converting a photo into a number vector; attribute engineering, which consist the pixel counting of each color channel in specific intensity ranges and normalizing the results; feeding attributes of machine learning models; classifying the sample into one of eight calorific value classes. | |
| Omanik: |
Tallinna Tehnikaülikool | |
| Autor: | Mihhail Derbnev (EE) Avar Pentel (EE) Alexander Varushchenkov (EE) Karle Nutonen (EE) Sergei Pavlov (EE) | |
| Joonis(ed): Joonisele klikkides avaneb suurem joonis! |
||
| Kasuliku mudeli kirjeldus: | Kuva kasuliku mudeli kirjeldus | |
| Patendivolinik: | ||
| Vaata: | ANDMED LõIVUDE KOHTA | |
|
