Evident LogoOlympus Logo
洞见博客

Analisi dei residui della combustione del carbone mediante la potenza della segmentazione delle immagini con deep learning

作者  -
Cenere volante di carbone

Il carbone è un combustibile fossile che può essere bruciato per ottenere energia. Questa risorsa non rinnovabile si è originata in epoche passate da vegetali che sono morti in aree paludose trasformandosi in carbone attraverso un processo che è durato milioni di anni.

Anche con lo sviluppo di energia rinnovabili come quella eolica e solare, il carbone rimane una fonte di energia primaria a livello globale. La combustione del carbone rilascia una serie di inquinanti, ceneri e metalli pesanti allo stato volatile che devono essere controllati o eliminati per evitare che nuocciano alla salute e all'ambiente.

Per esempio, l'EPA (Environmental Protection Agency) degli Stati Uniti applica una normativa nazionale per lo smaltimento sicuro dei residui della combustione del carbone prodotti nelle centrali termoelettriche a carbone. I residui della combustione del carbone sono inoltre noti come: prodotti della combustione del carbone, scorie di combustione del carbone o ceneri del carbone.

Esempi di residui della combustione del carbone

Esempi di residui della combustione del carbone includono: cenere volante, ceneri pesanti, scorie di caldaia e materiale da desolforazione dei fumi. Come indica il nome, la cenere volante rappresenta il materiale costituito da polveri finissime che viene diffuso con i fumi. Ceneri pesanti e scorie di caldaia rappresentano i materiali costituiti dalle particelle più pesanti e grossolane che si depositano nella parte inferiore del forno.

L'EPA inoltre supporta un responsabile riutilizzo e riciclaggio delle ceneri di carbone in diversi prodotti e materiali come calcestruzzo, malta, mattoni e filler. Il riutilizzo di ceneri di carbone assicurano i seguenti vantaggi di tipo economico, ambientale e tecnico:

  • Riduzione dell'uso di risorse naturali
  • Minori emissioni di gas a effetti serra
  • Miglioramento della resistenza, lavorabilità e durevolezza del materiale
  • Sostituzione di materiali a costi più elevati (es: argilla, sabbia, ghiaia e calce nel cemento)
  • Aumento dei guadagni derivati dalla vendita di ceneri di carbone
  • Diminuzione dei costi riducendo la necessità di smaltimento

Diversi studi hanno inoltre mostrato il potenziale nell'uso della cenere volante da carbone come agente neutralizzante. Per esempio, si è pensato di usare la cenere volante per il recupero dei cumuli di carbone di lignite acido nelle miniere a cielo aperto. L'ambiente acido compromette le condizioni di equilibrio dei cumuli e le ceneri sono molto basiche grazie all'elevato contenuto di ossido di calcio. Di conseguenza possono contribuire alla loro neutralizzazione e recupero.

Per studiare le ceneri volanti e altri residui della combustione del carbone, i ricercatori spesso si avvalgono della microscopia e del software di analisi di immagini industriali.

Analisi delle ceneri di carbone mediante la segmentazione delle immagini con deep learning

L'analisi delle ceneri di carbone che utilizza la microscopia risulta utile per la valutazione del comportamento e della reattività delle ceneri volanti nelle reazioni chimiche che si innescano a contatto con altri materiali o mezzo come acqua, cemento o suolo. In combinazione con un'analisi XRD quantitativa è possibile definire un quadro più completo della reattività. Per esempio, le ceneri a bassa reattività possono essere usate come aggregante nel calcestruzzo, mentre le ceneri altamente reattive possono essere usate come legante idraulico.

La microscopia può essere usata per:

  • Determinare la proporzione e la granulometria delle fasi di vetro reattive nelle ceneri volanti
  • Identificare delle fasi minerali supplementari
  • Identificare le ceneri di carbone in analisi ambientali

I nuovi strumenti di analisi delle immagini, come la segmentazione delle immagini con deep learning, hanno reso l'analisi delle ceneri di carbone più facile e precisa.

Prendere in considerazione questo esempio di analisi delle immagini di cenere volante di lignite (Figura 1). Questo campione di cenere proviene dalla dismessa Centrale energetica di Mumsdorf del distretto minerario di lignite della Germania Centrale nel sud di Leipzig. La lignite, conosciuta anche come brown coal, è considerata il tipo di carbone più nocivo per la salute. Le miniere di lignite continuano a chiudere a livello globale con la diffusione della energie rinnovabili.

Per questo campione, la lignite è stata polverizzata per la combustione e, in seguito, introdotta nella camera di combustione. In seguito alla sua combustione, si sono ottenute diverse particelle fini di cenere. Dalla camera di combustione al gas esausto la velocità di flusso risulta molto elevata, mantenendo sospese in aria le piccole particelle di ceneri volanti. Anche la lignite contiene minerali che si fondono completamente durante il processo di combustione. Da queste goccioline fuse si formano delle particelle in vetro altamente reattive (sfere chiare nell'immagine).

Il campione di cenere volante di lignite contiene inoltre altri fasi minerali come:

  • Magnetite: Sfere nero opaco
  • Quarzo: Come frammenti minerali
  • Ossido di calcio: Spesso piuttosto diffuso

Per analizzare le ceneri volanti di lignite, è stata usata la tecnologia deep learning TruAI™ del software di analisi delle immagini OLYMPUS Stream™ per identificare la fase di vetro reattiva (sfere chiare) da altre fasi. Semplicemente addestrando la rete neurale mediante immagini sottoposte a marcatura a mano, la soluzione "Count and Measure" (conta e misura) automatizza l'analisi e chiaramente separa le goccioline fuse dai minerali.

placholder image

Immagine originale della cenere volante di lignina (a sinistra), metodi di definizione delle soglie convenzionali (a destra). 

placholder image

Immagine originale della cenere volante di lignina (a sinistra), segmentazione dell'immagine deep learning (a destra).

Figura 1. Diversamente dalla segmentazione delle immagini con metodi di definizione delle soglie convenzionali che dipendono dalla luminosità o dal colore, l segmentazione delle immagini con deep learning mediante la tecnologia TruAI può separare e rilevare correttamente le goccioline fuse da altri materiali.

La segmentazione delle immagini con deep learning ha numerose applicazioni. Per esempio, i vetri in queste immagini possono anche rappresentare numerosi prodotti chimici nei quali bolle o sfere vengono usate come capsule o scambiatori di ioni (perle di resina sintetica), oppure ancora come substrato (es: per aromi o ingredienti attivi).

Per maggior informazioni sulla segmentazione delle immagini con deep learning e per altri esempi consultare la nostra risorsa sul deep learning.

Contenuti correlati

Tecnologia Deep Learning TruAI per l'analisi delle immagini industriali

Brochure: Software di analisi delle immagini OLYMPUS Stream

Analizzatori XRF portatili per le centrali termoelettriche a carbone


Sempre in contatto
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