№79-8
Розробка моделі підтримки життєдіяльності вугледобувних підприємств на основі дослідження еластичності продуктивних потоків
А.О. Хорольський1, В.Ю. Медяник2, О.О. Мартиненко2, Р.К. Сидоренко2, О.Р. Мамайкін2
1 Відділення фізики гірничих процесів Інституту геотехнічної механіки ім. М.С. Полякова Національної академії наук України, Дніпро, Україна
2 Національний технічний університет «Дніпровська політехніка», Дніпро, Україна
Coll.res.pap.nat.min.univ. 2024, 79:95–107
Full text (PDF)
https://doi.org/10.33271/crpnmu/79.095
АНОТАЦІЯ
Мета. Розробити новий підхід, щодо проєктування діяльності вугледобувних підприємств, який враховує різні програми (сценарії) діяльності.
Методика. Для розробки підходу застосовано методи управління проєктами; функцію Кобба-Дугласа для визначення конфігурації продуктивних потоків (основний потік – вугілля; допоміжні: гірська порода, газ метан, вода); методику визначення коефіцієнтів еластичності для оцінки впливу кожного продуктивного потоку на загальний рівень продуктивності та верифікації підходу, який базується на врахуванні продуктивних потоків.
Результати. Було проаналізовано чотири сценарії виробництва, які враховували різні виробничі ситуації від взаємного впливу продуктивних потоків до стану, коли відсутній видобуток вугілля. Отримані виробничі функції були перевірені на лінійну однорідність. Встановлено, що сума коефіцієнтів еластичності знаходиться в межах 0,97–1,00, що свідчить про доцільність застосування усіх потоків. Гіпотеза про розподіл продуктивних потоків була підтверджена методами аналізу ієрархій AHP, PROMETHEE, ELECTRE, VICOR.
Наукова новизна. Розроблено методику проєктування програми діяльності вугледобувних підприємств. Визначено вплив кожного продуктивного потоку на загальну ефективність підприємства.
Практична значимість. Було встановлено, що вугілля, як продуктивний потік, має від’ємну еластичність, що свідчить про прямий вплив на рівень ефективності, тобто при невідповідності обсягів видобутку раціональному відбувається неконтрольоване згортання виробничих потужностей. Порода, як і газ метан мають позитивну еластичність, що свідчить про постійну віддачу незалежно від обсягів виробництва. Вода має нульову еластичність, проте при відсутності видобутку вугілля є другим за перспективністю продуктивним потоком. Також було визначено границю неконтрольованого згортання виробничих потужностей за вугіллям.
Ключові слова: еластичність, продуктивний потік, обсяг виробництва, екологічний стан середовища, видобуток вугілля, функція.
Перелік посилань
1. Табаченко, М. М., Дичковський, Р. О., Фальштинський, В. С., Медяник, В. Ю., & Руських, В. В. (2012). Довідник з гірничого обладнання дільниць вугільних і сланцевих шахт. НГУ.
2. Bazaluk, O., Petlovanyi, M., Zubko, S., Lozynskyi, V., & Sai, K. (2021). Instability Assessment of Hanging Wall Rocks during Underground Mining of Iron Ores. Minerals, 11(8), 858. https://doi.org/10.3390/min11080858
3. Baspineiro, C. F., & Flexer, V. (2024). Comparison of simple and active solar stills for freshwater recovery during lithium brine mining. Next Sustainability, 4, 100055. https://doi.org/10.1016/j.nxsust.2024.100055
4. Хорольський А.О., & Косенко А.В. (2022). Розробка та реалізація моделі для обґрунтування оптимальних технологічних схем відпрацювання викидонебезпечних вугільних пластів. Науковий вісник ДонНТУ, 1(8)–2(9), 193–205. https://www.doi.org/10.31474/2415-7902-2022-1(8)-2(9)-193-205
5. Bondarenko, V. I., Kovalevska, I. A., Podkopaiev, S. V., Sheka, I. V., & Tsivka, Y. S. (2022). Substantiating arched support made of composite materials (carbon fiber-reinforced plastic) for mine workings in coal mines. IOP Conference Series: Earth and Environmental Science, 1049(1), 012026. https://doi.org/10.1088/1755-1315/1049/1/012026
6. Pavlychenko, A., Adamchuk, A., Shustov, O., & Anisimov, O. (2020). Justification of dump parameters in conditions of high water saturation of soils. Technology Audit and Production Reserves, 6(3(56)), 22–26. https://doi.org/10.15587/2706-5448.2020.218139
7. Dong, M., Feng, L., & Qin, B. (2023). Characteristics of coal gasification with CO2 after microwave irradiation based on TGA, FTIR and DFT theory. Energy, 267, 126619. https://doi.org/10.1016/j.energy.2023.126619
8. Liao, Y., Wang, T., Ren, Z., Wang, D., Sun, W., Sun, P., Li, J., & Zou, X. (2024). Multi-well combined solution mining for salt cavern energy storages and its displacement optimization. Energy, 288, 129792. https://doi.org/10.1016/j.energy.2023.129792
9. Fomychov, V., Fomychova, L., Khorolskyi, A., Mamaikin, O., & Pochepov, V. (2020). Determining optimal border parameters to design a reused mine working. ARPN Journal of Engineering and Applied Sciences, 15(24), 3039–3049.
10. Хорольський, А. О., Лапко, В. В., Саллі, В. С., & Мамайкін, О. Р. (2020). Вибір технології демінералізації стічних вод, як складової технологічних потоків вугільних шахт. Збірник наукових праць НГУ, 63, 61–73. https://doi.org/10.33271/crpnmu/63.061
11. Khorolskyi, A., Mamaikin, O., Fomychova, L., Pochepov, V., & Lapko, V. (2022). Developing and implementation a new model optimizing the parameters of coal mines under diversification. ARPN Journal of Engineering and Applied Sciences, 17(16), 1544–1553.
12. Adamchuk, A., Shustov, O., Panchenko, V., & Slyvenko, M. (2019). Substantiation of the method of determination the open-cast mine final contours taking into account the transport parameters. Collection of Research Papers of the National Mining University, 59, 21–32. https://doi.org/10.33271/crpnmu/59.021
13. Pak, M. C., Han, U. C., & Kim, D. I. (2022). Suitable Mining Method Selection using HFGDM-TOPSIS Method: a Case Study of an Apatite Mine.Journal of Mining and Environment,13(2), 357–374. https://doi.org/10.22044/jme.2022.11713.2163
14. Li, S., Huang, Q., Hu, B., Pan, J., Chen, J., Yang, J., ... & Yu, H. (2023). Mining method optimization of difficult-to-mine complicated orebody using Pythagorean fuzzy sets and TOPSIS method. Sustainability, 15(4), 3692. https://doi.org/10.3390/su15043692
15. Liu, Y., & Ohara, H. (2017). Energy-efficient fluidized bed drying of low-rank coal. Fuel Processing Technology, 155, 200–208. https://doi.org/10.1016/j.fuproc.2016.06.008
16. Гріньов, В. Г., & Хорольський, А. О. (2020). Визначення раціонального обсягу вилучення корисних копалин із надр: маржинальний підхід. Економіка промисловості, 3(91), 82–95. http://doi.org/10.15407/econindustry2020.03.082
17. Shukor, A. A. A., Newaz, M. S., Rahman, M. K., & Taha, A. Z. (2021). Supply chain integration and its impact on supply chain agility and organizational flexibility in manufacturing firms. International Journal of Emerging Markets, 16(8), 1721–1744. https://doi.org/10.1108/IJOEM-04-2020-0418
18. Wang, Y., Xu, C., Yu, X., Zhang, H., & Han, M. (2022). Multilayer flexible electronics: Manufacturing approaches and applications.Materials Today Physics, 23, 100647. https://doi.org/10.1016/j.mtphys.2022.100647
19. Burger, N., Demartini, M., Tonelli, F., Bodendorf, F., & Testa, C. (2017). Investigating flexibility as a performance dimension of a Manufacturing Value Modeling Methodology (MVMM): a framework for identifying flexibility types in manufacturing systems.Procedia CIRP, 63, 33–38. https://doi.org/10.1016/j.procir.2017.03.343
20. Ajak, A. D., Lilford, E., & Topal, E. (2018). Application of predictive data mining to create mine plan flexibility in the face of geological uncertainty.Resources Policy, 55, 62–79. https://doi.org/10.1016/j.resourpol.2017.10.016
21. Groeneveld, B., & Topal, E. (2011). Flexible open-pit mine design under uncertainty. Journal of Mining Science, 47(2), 212–226. https://doi.org/10.1134/S1062739147020080
22. Ait-Mlouk, A., & Agouti, T. (2019). DM-MCDA: A web-based platform for data mining and multiple criteria decision analysis: A case study on road accident. SoftwareX, 10, 100323. https://doi.org/10.1016/j.softx.2019.100323
23. Erener, A., Mutlu, A., & Sebnem Düzgün, H. (2016). A comparative study for landslide susceptibility mapping using GIS-based multi-criteria decision analysis (MCDA), logistic regression (LR) and association rule mining (ARM). Engineering Geology, 203, 45–55. https://doi.org/10.1016/j.enggeo.2015.09.007
24. Rosa, A. G. F., Silva, W. D. O., Fontana, M. E., Levino, N., & Guarnieri, P. (2024). A GIS-based multi-criteria approach for identifying areas vulnerable to subsidence in the world’s largest ongoing urban socio-environmental mining disaster. The Extractive Industries and Society, 19, 101500. https://doi.org/10.1016/j.exis.2024.101500
25. Więckowski, J., & Zwiech, P. (2021). Can weighting methods provide similar results in MCDA problems? Selection of energetic materials study case. Procedia Computer Science, 192, 4592–4601. https://doi.org/10.1016/j.procs.2021.09.237
26. Jeong, A., Kim, S., Kim, M., & Jung, K. (2016). Development of Optimization Model for River Dredging Management Using MCDA. Procedia Engineering, 154, 369–373. https://doi.org/10.1016/j.proeng.2016.07.494
27. Mamaikin, O., Sotskov, V., Demchenko, Y., & Prykhorchuk, O. (2018). Productive flows control in coal mines under the condition of diversification of production. E3S Web of Conferences, 60, 00008. https://doi.org/10.1051/e3sconf/20186000008
28. Lousada, S., Delehan, S., & Khorolskyi, A. (2024). Application of Dynamic Programming Models for Improvement of Technological Approaches to Combat Negative Water Leakage in the Underground Space. Water, 16(14), 1952.https://doi.org/10.3390/w16141952
29. Mateo-Peinado, L. (2022). Natural resources, (Mis)governance, and the lack of diversification in mining regions: A reconsideration of the Dutch disease at a local level. The Extractive Industries and Society, 11, 101099.https://doi.org/10.1016/j.exis.2022.101099
