Информационно - коммуникационные и химические технологии

Том_ 1 № 30 (2026) / 2026-03-30 / Кол. просмотров: 137

АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ ГРАНУЛОМЕТРИИ ТЕХНОГЕННЫХ ОТХОДОВ: ТЕХНОГЕНДІК ҚАЛДЫҚТАРДЫҢ ГРАНУЛОМЕТРИЯСЫН АВТОМАТТАНДЫРЫЛҒАН ТАЛДА

Авторы

КазУТБ имени К.Кулажанова
https://orcid.org/0000-0001-5202-3501
Назарбаев интеллектуальная школа
https://orcid.org/0009-0008-1214-0867
КазУТБ имени К.Кулажанова
https://orcid.org/0000-0002-0744-0389

Ключевые слова

машинное обучение, модели, гранулометрический состав, техногенные отходы, машинное зрение, алгоритм

DOI ссылка:

https://doi.org/10.58805/kazutb.v.1.30-1396

Как цитировать

Акишев, К.М., и др. «АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ ГРАНУЛОМЕТРИИ ТЕХНОГЕННЫХ ОТХОДОВ: ТЕХНОГЕНДІК ҚАЛДЫҚТАРДЫҢ ГРАНУЛОМЕТРИЯСЫН АВТОМАТТАНДЫРЫЛҒАН ТАЛДА». Вестник КазУТБ, т. 1, вып. 30, март 2026 г., doi:10.58805/kazutb.v.1.30-1396.

Аннотация

Актуальность исследования обусловлена необходимостью оперативного и достоверного контроля гранулометрического состава техногенных отходов металлургического и энергетического производства при их использовании в строительной отрасли. Традиционные методы, в частности ситовой анализ, характеризуются высокой трудоёмкостью и ограниченной применимостью в условиях массового и автоматизированного контроля, что обуславливает целесообразность внедрения цифровых методов анализа.

В работе предложен комплексный метод определения гранулометрического состава гранул шлака и золы на основе анализа SEM-изображений с использованием технологий компьютерного зрения и машинного обучения. Метод включает этапы предварительной обработки 1240 изображений, сегментации частиц с применением модели U-Net, детекции объектов на основе YOLOv5, извлечения геометрических признаков и классификации фракций с использованием ансамбля алгоритмов Random Forest, XGBoost и SVM. Верификация результатов выполнена путём сопоставления полученных распределений с эталонным ситовым анализом согласно ГОСТ 5459.2-20 и ASTM C136.

Научная новизна работы заключается в применении гибридной архитектуры «компьютерное зрение — машинное обучение» для анализа техногенных отходов с выраженной морфологической неоднородностью. Количественные результаты показали достижение точности классификации до 95 % при средней абсолютной ошибке 6–7 %, а качественный анализ подтвердил устойчивость метода при сложной форме и плотной укладке частиц. Практическая значимость исследования заключается в возможности автоматизации контроля качества вторичного сырья и сокращения времени анализа. Перспективы дальнейших исследований связаны с переходом к онлайн-съёмке, интеграцией с производственными линиями и расширением датасета техногенных материалов.