Evident LogoOlympus Logo
洞见博客

Análisis de residuos de combustión del carbón a través de la poderosa segmentación de imagen por aprendizaje profundo

作者  -
Cenizas volantes de carbón

El carbón es un mineral (roca), de color negro, que puede ser quemado para suministrar energía. Este recurso no renovable se origina a partir de antiguas acumulaciones de vegetales descompuestos en zonas pantanosas y que han tardado millones de años en formar dicho mineral.

A pesar del auge de las energías renovables, como la eólica y solar, el carbón sigue siendo una fuente importante de energía alrededor del mundo. Sin embargo, la combustión del carbón libera una variedad de contaminantes en el aire, cenizas y metales pesados que deben ser controlados o eliminados para evitar daños medioambientales o de salud.

Por ejemplo, la Agencia de Protección Ambiental de los EE. UU. (EPA) sostiene reglamentos nacionales vigentes para la eliminación segura de los residuos de combustión del carbón, que se producen a partir de la quema de carbón en centrales eléctricas de carbón. Los residuos provenientes de la combustión del carbón también son conocidos como productos de combustión del carbón, desechos de combustión del carbón o cenizas de carbón.

Ejemplos de residuos de combustión del carbón

Entre los ejemplos de los residuos de combustión del carbón destacan las cenizas volantes, cenizas de fondo, escoria de calderas y material de desulfuración de gases de combustión. Tal y como su nombre lo indica, las cenizas volantes son el material en polvo fino que se eleva con los gases de combustión. Las cenizas de fondo y la escoria de la caldera son materiales de partículas gruesas y más pesadas que se forman en el fondo del horno.

La EPA también sostiene la reutilización y reciclaje de cenizas de carbón en diversos productos y materiales, como el hormigón, la lechada, los ladrillos y materiales de relleno. Reutilizar cenizas de carbón puede proporcionar los siguientes beneficios económicos, ambientales y productivos:

  • Reduce el uso de recursos naturales
  • Reduce las emisiones de gases de efecto invernadero
  • Mejora la resistencia, viabilidad y durabilidad del material
  • Reemplaza materiales de costo [Esp. coste] superior (p. ej., arcilla, arena, grava/cascajo y piedra caliza en cemento)
  • Incrementa los ingresos por la venta de cenizas de carbón
  • Ahorra costos [Esp. costes] al reducir la necesidad de eliminación

Varios estudios también han demostrado el potencial de las cenizas volantes de carbón como agente neutralizante. Por ejemplo, surgió la idea de utilizar cenizas volantes para el recultivo en depósitos residuales de lignito ácido en la minería a cielo/tajo abierto. El ambiente ácido es tóxico para la estabilidad de dichos depósitos, y las cenizas son elementales debido al alto contenido de cal. Como resultado, es posible contribuir a su neutralización y, por tanto, a la recultivación.

Para estudiar las cenizas volantes y otros residuos de combustión del carbón, los investigadores a menudo se valen de la microscopía y de softwares de análisis de imágenes industriales.

Análisis de cenizas de carbón mediante la segmentación de imágenes por aprendizaje profundo

El análisis de cenizas de carbón por medio de la microscopía es útil para estimar la adaptación y la reactividad de las cenizas volantes en reacciones químicas al entrar en contacto con otros materiales o medios, como el agua, cemento o suelos. En combinación con un análisis XRD cuantitativo, es posible trazar una imagen casi completa de la reactividad. Por ejemplo, las cenizas de baja reactividad pueden usarse como aditivo en el hormigón, mientras que las cenizas de alta reactividad pueden servir como aglutinante hidráulico.

La microscopía, en este caso, sirve para...

  • Determinar la proporción y la dimensión granular de las fases reactivas de cristales en las cenizas volantes
  • Identificar fases minerales adicionales
  • Identificar cenizas de carbón en entornos ambientales

Las herramientas analíticas de imágenes de última generación, como la segmentación de imágenes por aprendizaje profundo, han hecho que el análisis de cenizas de carbón sea más fácil y preciso.

Considere, como ejemplo, este análisis de imágenes de cenizas volantes de lignito (Figura 1). Esta muestra de ceniza proviene de la central eléctrica retirada de Mumsdorf en el distrito minero de lignito de Alemania Central, al sur de Leipzig, Alemania. El lignito, también conocido como lignito pardo, representa el carbón más dañino para la salud humana. Las minas de lignito continúan cerrándose en todo el mundo a medida que los países cambian a la energía renovable.

En esta muestra, el lignito se comprimió para la combustión y, después, se insufló en la cámara de combustión. Esto genera muchas partículas de ceniza diminutas y diferentes. Las velocidades de flujo, de la cámara de combustión al gas de escape, son muy altas y mantienen en vuelo a las pequeñas partículas de cenizas volantes. El lignito también contenía minerales, los cuales se derritieron por completo durante el proceso de quemado. Los cristales altamente reactivos (las esferas transparentes en la imagen) se forman a partir de estas gotas de fusión.

La muestra de ceniza volante de lignito también presenta otras fases minerales, que contienen:

  • Magnetita — esferas negras opacas
  • Cuarzo — como fragmentos minerales
  • Lima — a menudo bastante difuso

Para evaluar las cenizas volantes de lignito, se usó la tecnología de aprendizaje profundo TruAI ™ del software de análisis de imágenes OLYMPUS Stream ™ a fin de identificar las fases reactivas de los cristales (esferas transparentes) a partir de otras fases. Con tan sólo formar la red neuronal, gracias a imágenes marcadas de forma manual, la solución Count and Measure [Recuento y Medición] automatiza el análisis y clasifica claramente las gotas fundidas de los minerales.

placholder image

Original image of brown coal ash fly (left), image segmentation using conventional thresholding methods (right).

placholder image

Original image of brown coal ash fly (left), deep-learning image segmentation (right).

Figura 1. A diferencia de la segmentación de imágenes por medio de los métodos convencionales de valor de umbral, que dependen del brillo o el color, la segmentación de imágenes por aprendizaje profundo, gracias a la tecnología TruAI, permite separar y detectar adecuadamente las gotas de fusión de otros minerales.

La segmentación de imágenes por aprendizaje profundo se aplica a muchos casos. Por ejemplo, los cristales de estas imágenes también pueden representar muchos productos químicos cuyas burbujas o esferas son usadas como cápsulas o intercambiadores de iones (granulado de resina sintética) o como material portador (p. ej., para matices o ingredientes activos).

Para obtener más información sobre la segmentación de imágenes por aprendizaje profundo, y visualizar otros ejemplos, consulte el material didáctico relativo al aprendizaje profundo.

Contenido relacionado

Tecnología de aprendizaje profundo TruAI para análisis de imágenes industriales

Folleto: Software de análisis de imágenes OLYMPUS Stream

Analizador XRF para centrales eléctricas de quemado de carbón


Contáctenos
Product Marketing Manager

Annegret Janovsky joined Evident in 2002. As a trained crystallographer, she specialized in technical mineralogy. During her time at Evident Germany, she broadened her experience in industrial microscopy, X-ray fluorescence (XRF), and remote visual inspection (RVI) as a salesperson. After several years as a sales specialist for industrial microscopy, she moved to the marketing team in Europe, where she is now a product marketing manager for industrial microscopy in Europe, the Middle East, and Africa (EMEA). 

九月 14, 2021
Sorry, this page is not available in your country
InSight Blog Sign-up
Sorry, this page is not available in your country
Let us know what you're looking for by filling out the form below.
Sorry, this page is not available in your country