Ocena i optymalizacja pracy układu technologicznego przeróbki wapienia z wykorzystaniem wskaźników technologiczno-ekonomicznych modelowanych metodami regresyjnymi oraz sztucznej inteligencji

Abstract

Rozprawa doktorska poświęcona została problematyce modelowania i optymalizacji procesu przeróbki kamienia wapiennego w warunkach przemysłowych, ze szczególnym uwzględnieniem energochłonności i kosztów produkcji. Punktem wyjścia była analiza działalności zakładów górniczych, w których procesy kruszenia, mielenia i klasyfikacji generują znaczące zużycie energii, stanowiąc istotne obciążenie finansowe. Badania przeprowadzono w zakładzie KW Czatkowice sp. z o.o., gdzie zidentyfikowano układ mielenia i klasyfikacji jako najbardziej energochłonny element linii technologicznej. Na podstawie danych rzeczywistych opracowano wskaźniki oceny procesu (S i W) oraz modele matematyczne oparte na regresji i sztucznych sieciach neuronowych, pozwalające uchwycić złożone, nieliniowe zależności między parametrami procesu a jego efektywnością. Modele te wykorzystano w zadaniach optymalizacyjnych, uwzględniających zarówno wydajność zakładu, jak i zużycie energii elektrycznej oraz gazu. Eksperymenty przemysłowe i analiza danych historycznych potwierdziły możliwość osiągnięcia znaczących oszczędności energetycznych, rzędu kilkudziesięciu procent. Innowacyjnym elementem rozprawy jest propozycja integracji opracowanych rozwiązań z systemem SCADA, co umożliwi dynamiczne sterowanie parametrami procesu w czasie rzeczywistym. Praca ma charakter aplikacyjny - dostarcza kompletnych narzędzi i danych do praktycznego wdrożenia, a uzyskane wyniki stanowią solidną podstawę do podjęcia decyzji strategicznych w zakresie poprawy efektywności energetycznej i kosztowej w przemyśle wydobywczym. The doctoral dissertation addresses the modeling and optimization of limestone processing under industrial conditions, with a focus on energy efficiency and production costs. Mining plants are among the most energy-intensive industries, with crushing, grinding, and classification consuming the largest share of resources. Research was carried out at KW Czatkowice sp. z o.o., where the grinding and classification system was identified as the key energy consumer. Based on operational data, two evaluation indices (S and W) were developed, supported by mathematical models built with regression techniques and artificial neural networks, capable of capturing nonlinear dependencies between process parameters and efficiency. These models served as the basis for optimization tasks, balancing plant performance with electricity and gas consumption. Both industrial experiments and historical data analyses demonstrated the potential to achieve energy savings of several dozen percent. The innovative contribution of the dissertation lies in the proposal to integrate the developed models with the SCADA system, enabling real-time adjustment of process parameters. This approach allows not only monitoring but also active management of energy efficiency, aligning with current trends in digitalization and automation of the mining sector. The dissertation delivers practical tools and verified models that can directly support managerial decisions and provide a solid foundation for industrial implementation.