Evident LogoOlympus Logo
洞见博客

Analisando resíduos de combustão de carvão usando o poder da segmentação de imagens com deep learning

作者  -
Cinzas volantes de carvão

O carvão é uma pedra preta que pode ser queimada para liberar energia. Este recurso não renovável é feito a partir de plantas antigas que morreram em pântanos e levaram milhões de anos para se formar.

Mesmo com o aumento das energias renováveis, como a eólica e a solar, o carvão continua sendo uma importante fonte de energia ao redor do mundo. A combustão do carvão libera uma gama de poluentes atmosféricos, cinzas e metais pesados que devem ser controlados ou removidos para prevenir danos à nossa saúde e ao meio ambiente.

Por exemplo, a Agência de Proteção Ambiental (EPA) dos Estados Unidos tem regulamentos nacionais em vigor para o descarte seguro de resíduos de combustão de carvão produzidos pela queima do carvão em centrais elétricas a carvão. Os resíduos de combustão de carvão são também conhecidos como produtos da combustão do carvão, resíduos da combustão do carvão ou cinzas.

Exemplos de resíduos de combustão de carvão

Exemplos de resíduos de combustão de carvão incluem cinzas volantes, cinzas de fundo, escória de caldeira e material de dessulfuração de gases de combustão. Como o nome indica, as cinzas volantes são o material em pó fino que sobe com os gases de combustão. As cinzas de fundo e a escória de caldeira são materiais de partículas grossas e mais pesadas que se formam no fundo da fornalha.

A EPA também apoia a reutilização e reciclagem responsável de cinzas de carvão em vários produtos e materiais, como concreto, argamassa, tijolos e material de enchimento. A reutilização de cinzas de carvão pode fornecer os seguintes benefícios econômicos, ambientais e de produto:

  • Reduz o uso de recursos naturais
  • Diminui as emissões de gases de efeito estufa
  • Melhora a resistência, funcionalidade e durabilidade do material
  • Substitui materiais de alto custo (por exemplo, argila, areia, cascalho e calcário no cimento)
  • Aumenta a receita com a venda de cinzas de carvão
  • Economiza custos ao reduzir a necessidade de descarte

Muitos estudos também mostraram o potencial das cinzas volantes de carvão como agente neutralizante. Por exemplo, havia a ideia de usar cinzas volantes para o recultivo de pilhas de linhito ácido na mineração a céu aberto. O ambiente ácido é venenoso para a estabilidade das pilhas, e as cinzas são muito básicas devido ao alto teor de cal. Como resultado, isso pode contribuir para a neutralização e, portanto, para o recultivo.

Para estudar as cinzas volantes e outros resíduos da combustão de carvão, os pesquisadores costumam recorrer à microscopia e ao software de análise de imagens industriais.

Análise de cinzas volantes usando a segmentação de imagens com deep learning

A análise de cinzas volantes usando microscopia é útil para estimar o comportamento e a reatividade das cinzas volantes em reações químicas que acontecem por meio do contato com outros materiais ou meios como água, cimento ou solo. Em combinação com uma análise quantitativa de XRD, é possível obter uma imagem quase completa de reatividade. Por exemplo, as cinzas de baixa reatividade podem ser usadas como agregado no concreto, enquanto as cinzas altamente reativas podem ser usadas como ligante hidráulico.

A microscopia pode ser usada para:

  • Determinar a proporção e os tamanhos de grão das fases de vidro reativo nas cinzas volantes
  • Identificar fases minerais adicionais
  • Identificar cinzas de carvão em condições ambientais

As ferramentas de análise de imagens de última geração, como a segmentação de imagens com deep learning, tornaram a análise de cinzas de carvão mais fácil e mais exata.

Considere este exemplo de análise de imagem de cinzas volantes de linhito (Figura 1). Esta amostra de cinza é da antiga estação de energia de Mumsdorf que fica no distrito de mineração de linhito da Alemanha Central, ao sul de Leipzig, Alemanha. O linhito, também conhecido como lignito, é considerado o carvão mais nocivo à saúde humana. As minas de linhito continuam a fechar ao redor do mundo à medida que os países mudam para a energia renovável.

Para essa amostra, o linhito foi triturado para combustão e, em seguida, soprado na câmara de combustão. Isso cria muitas partículas de cinzas diferentes e minúsculas. As velocidades de fluxo da câmara de combustão aos gases de exaustão são muito altas, mantendo as pequenas partículas de cinzas volantes em voo. O linhito também continha minerais, que derreteram completamente durante o processo de queima. A partir dessas gotículas derretidas, formam-se vidros altamente reativos (as esferas claras na imagem).

A amostra de cinzas volantes de linhito também contém outras fases minerais, incluindo:

  • Magnetita: esferas opacas pretas
  • Quartzo: como fragmentos minerais
  • Cal: frequentemente bastante difuso

Para avaliar as cinzas volantes de linhito, foi usada a tecnologia de deep learning TruAI™ no software de análise de imagens OLYMPUS Stream™ para diferenciar a fase de vidro reativo (esferas claras) de outras fases. Ao simplesmente treinar a rede neural com imagens marcadas manualmente, a solução de Contagem e medição automatiza a análise e separa claramente as gotículas de derretimento dos minerais.

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. Ao contrário da segmentação de imagens com métodos de limiar convencionais que dependem do brilho ou da cor, a segmentação de imagens com deep learning com a tecnologia TruAI pode separar e detectar adequadamente as gotículas de derretimento de outros minerais.

A segmentação de imagens com deep learning tem muitas aplicações. Por exemplo, os vidros nestas imagens podem também representar muitos produtos químicos nos quais são usadas bolhas ou esferas como cápsulas ou trocadores de íon (grânulos de resina sintética) ou como material de transporte (por exemplo, para sabores ou ingredientes ativos).

Para saber mais sobre a segmentação de imagens com deep learning e ver outros exemplos, confira nosso recurso de deep learning.

Conteúdo relacionado

Tecnologia de deep learning TruAI para a análise de imagens industriais

Brochura: Software de análise de imagens OLYMPUS Stream

XRF portátil para centrais elétricas a carvão


Entre em contato
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