Non-coking coal is the major resour

Non-coking coal is the major resource of energy in India. Apart from its utilization in energy sector, the other major application of this coal is in metallurgical sector. The resource of high quality of non-coking coal is not available as per demand; as a result beneficiation of non-coking coal is now becoming essential. Jigging is one of the economical physical beneficiation processes for Indian high ash non-coking coal. At present scenario in coal washery in India, below 3 mm size is not being processed. Attempt has been taken to beneficiate the fine size non-coking coal fractions generated at different sizes of bed materials, feed rates and water rates using laboratory Denver mineral jig. The performance of jig was evaluated in term of Ep and imperfection value. Furthermore artificial neural network (ANN) model has been developed for determining combustible recovery and ash percent of the concentrate. The ANN architecture is made up of three layers (input – hidden – output). A back propagation algorithm was used for training of the ANN model. It has been observed that the predicted values by ANN model are in good agreement with the experimental results.

ผลลัพธ์ (ไทย) 1:

ถ่านหินเป็น coking เป็นทรัพยากรสำคัญของพลังงานในประเทศอินเดีย นอกเหนือจากเป็นการใช้ในภาคพลังงาน โปรแกรมที่สำคัญอื่น ๆ ของถ่านหินนี้เป็นในทางโลหะวิทยาภาค ไม่มีทรัพยากรของ coking ไม่ใช่ถ่านหินที่มีคุณภาพตามความต้องการ ดัง beneficiation ถ่านหิน coking ไม่เป็นตอนนี้เป็นสำคัญ ซึ่งเป็นหนึ่งในกระบวนการ beneficiation ทางกายภาพประหยัดถ่านหินไม่ใช่ coking เถ้าสูงที่อินเดีย ในสถานการณ์ปัจจุบันในถ่านหิน washery ในอินเดีย ด้านล่างขนาด 3 มม.จะไม่ถูกประมวลผล พยายามนำไป beneficiate ขนาดดี coking ไม่ใช่ถ่านหินเศษสร้างขึ้นที่มีขนาดแตกต่างกันวัสดุเตียง ราคาและราคาน้ำใช้ห้องปฏิบัติการเดนเวอร์แร่จิ๊ก รับการประเมินประสิทธิภาพของจิ๊กในระยะของค่า Ep และไม่สมบูรณ์ นอกจากนี้ แบบจำลองโครงข่ายประสาทเทียม (แอน) ได้รับการพัฒนาสำหรับการกำหนดเปอร์เซ็นต์เถ้าและการกู้คืนที่ติดไฟได้ของสมาธิ สถาปัตยกรรมแอนขึ้นเป็นสามชั้น (อินพุทเอาท์พุท –ซ่อน –) ขั้นตอนการเผยแพร่หลังการถูกใช้สำหรับการฝึกแบบแอน มันได้ถูกตรวจสอบว่า ค่าคาดการณ์ โดยแบบจำลองแอนอยู่ในข้อตกลงที่ดีกับผลการทดลอง

ผลลัพธ์ (ไทย) 2:

Non-ถ่านหิน coking เป็นทรัพยากรที่สำคัญของพลังงานในประเทศอินเดีย นอกเหนือจากการใช้ในภาคพลังงานแอพลิเคชันอื่น ๆ ที่สำคัญของถ่านหินแห่งนี้คือในภาคโลหะ ทรัพยากรที่มีคุณภาพสูงของถ่านหิน coking ไม่ใช่จะไม่สามารถใช้ได้ตามความต้องการ; เป็นผลมาจากการ beneficiation ไม่ใช่ถ่านหิน coking ตอนนี้กลายเป็นสิ่งจำเป็น jigging เป็นหนึ่งในกระบวนการประหยัด beneficiation ทางกายภาพสำหรับอินเดียเถ้าถ่านหินสูงที่ไม่ใช่ coking ในสถานการณ์ปัจจุบันใน washery ถ่านหินในประเทศอินเดียต่ำกว่า 3 มิลลิเมตรขนาดไม่ได้ถูกประมวลผล ความพยายามที่ได้รับการดำเนินการเพื่อ beneficiate ขนาดไม่ใช่ coking เศษส่วนถ่านหินปรับสร้างที่มีขนาดแตกต่างกันของวัสดุเตียงอัตราการป้อนน้ำและอัตราการใช้ห้องปฏิบัติการเดนเวอร์แร่จิ๊ก ประสิทธิภาพการทำงานของจิ๊กได้รับการประเมินในระยะเวลาของ Ep และความคุ้มค่าไม่สมบูรณ์ เครือข่ายประสาทเทียมนอกจาก (ANN) รุ่นได้รับการพัฒนาในการพิจารณาการกู้คืนและเถ้าที่ติดไฟได้เปอร์เซ็นต์ของสมาธิ สถาปัตยกรรม ANN ถูกสร้างขึ้นจากสามชั้น (ขาเข้า - ซ่อน - ส่งออก) ขั้นตอนวิธีการขยายพันธุ์กลับถูกนำมาใช้สำหรับการฝึกอบรมของรูปแบบ ANN มันได้รับการตั้งข้อสังเกตว่าค่าที่คาดการณ์โดยรุ่น ANN อยู่ในข้อตกลงที่ดีกับผลการทดลอง

ผลลัพธ์ (ไทย) 3:

ที่ไม่ใช่ถ่านหิน coking เป็นทรัพยากรหลักของพลังงานในอินเดีย นอกเหนือจากการใช้ในภาคพลังงาน , การประยุกต์ใช้หลักอื่น ๆของ ถ่านหิน โลหะนี้ในภาค ทรัพยากรขององค์กรคุณภาพของถ่านหิน coking ไม่สามารถใช้ได้ตามความต้องการ การแสวงหาการแต่งแร่ถ่านหิน coking ขณะนี้เป็นสิ่งจำเป็น จิ๊กกิ้งเป็นหนึ่งในกระบวนการ beneficiation ทางกายภาพที่ประหยัดสำหรับอินเดียไม่สูงเถ้าถ่านหิน coking . ปัจจุบันสถานการณ์ใน washery ถ่านหินในอินเดีย ด้านล่าง ขนาด 3 มิลลิเมตร ไม่โดนแปรรูป พยายามได้รับการถ่ายเพื่อ beneficiate ปรับขนาดไม่ coking ถ่านหินเศษส่วนสร้างที่ขนาดแตกต่างกันของวัสดุเตียง อัตราป้อนน้ำและอัตราการใช้แร่เดนเวอร์ปฏิบัติการจิ๊ก ประสิทธิภาพของแบบประเมินในแง่ของ EP และคุณค่าของความไม่สมบูรณ์แบบ นอกจากนี้โครงข่ายประสาทเทียม ( ANN ) แบบจำลองที่ได้รับการพัฒนาสำหรับการกู้คืนการเผาไหม้และเถ้าร้อยละของสมาธิ สถาปัตยกรรมแอนขึ้นเป็น 3 ชั้น ( Input ) ที่ซ่อนอยู่–ออก ) วิธีขยายพันธุ์กลับมาใช้รูปแบบการฝึกอบรมของแอน มันได้รับการตรวจสอบว่าค่าพยากรณ์โดย Ann แบบมีความสอดคล้องกับผลการทดลอง