1. 서론
현재 국내에서 석탄을 채광하는 광산은 5곳이 가행되고 있다. 이들 대부분은 심부에서 석탄 생산을 하고 있는 실정이며 채굴은 점차 심부로 이행되고 있다. 특히 우리나라의 탄층 부존상태는 탄폭의 변화가 심하고 상하반이 취약할 뿐 아니라 경사가 급하게 매장되어 있어 이를 생산하기 위해 작업심도가 더욱 깊어지고 있으며, 갱내의 작업 환경 조건은 더욱 악화되고 있다. 광산의 심도가 깊어질수록 지열증가로 인한 작업환경의 악화와 이를 해결하기 위해 점점 더 복잡해지는 통기망, 지압증가로 인한 작업장의 유지 곤란 등의 많은 문제가 발생하고 있다. 많은 열의 발생으로 인한 작업장의 온도 상승은 더욱 작업환경을 악화시키고 있으며 채탄 작업이 이루어지는 지하 심부 막장이나, 굴진작업을 하는 갱도의 경우에는 높은 온도로 인하여 온도 저감에 대한 대책 마련은 필수적이다(Hartman, 1982). 갱내 작업 환경 및 안전을 악화시킬 수 있는 작업장의 온도 상승 문제는 가장 심각한 문제이며 이에 따라 심부 채탄 개발의 타당성 검토나 생산 계획을 수립할 때는 개발 심부의 갱내 온도를 예측하여 계획하는 것이 무엇보다 중요하다.
현재 상용화되는 기존의 광산 온도 예측 프로그램의 경우, 광산의 지하갱도는 단일 암종으로 이루어진 것을 전제조건으로 한다. 그러나 대부분의 지하심부의 암종은 단일 암종으로 이루어지지 않았으며, 특히 석탄광산의 경우는 복잡한 지질구조를 가지고 있어 실제로 온도 예측을 위한 지하암반의 열적 특성치를 결정하는 것은 더욱 어렵다. 온도예측을 위한 암반의 열전도율(Thermal Conductivity)은 갱내 기온 예측계산에서 중요한 인자이다. 대부분 기존 논문이나 자료에서 얻을 수 있는 암석의 열전도율은 암석시편을 실험한 값이며 이를 갱내기온예측에 적용할 수 있는 경우는 갱도의 주위 암반이 건조하고 균질하며 등방성일 때에 제한된다. 정확한 온도예측을 위해서는 정확한 암반의 열전도율이 필요하다. 이러한 이유로 복잡한 갱내여건에 상응하는 열전도율을 도출하기 위해Artificial Neural Network(인공신경망)를 새롭게 도입하여 갱내 온도 예측 프로그램을 개발하였으며 이를 이용해 실제 갱내의 정확한 열전도율을 도출하여 갱내기상온도를 예측하고자 하였다.
본 연구에서는 국내에서 가장 깊은 지표에서부터 최하부 레벨까지 1075 m심도를 가진 A광업소를 대상으로 하였다. 대상광산의 통기시스템의 소요통기량 평가를 하였으며, 개발한 갱내 기상 예측 전산 프로그램을 이용하여 미지의 심부작업장에 대한 기상예측계산을 하였다.
2. 연구 광산 개요
본 연구는 강원도에 위치하고 있는 A광업소를 대상으로 하였으며 석탄의 개발, 생산, 선탄 및 수요자에게 공급함을 주요임무로 하고 있다. 대상 광업소가 위치한 태백 지역에 분포하는 지질은 캠브로-오도비스기의 조선누층군, 석탄기~트라이아스기의 평안 누층군 및 화성암류로 대별된다. 탄층으로 탄층수가 3~5매로 발달하였고 가행탄층은 중층탄 1매로 노두연장 10 km, 평균탄폭 4 m이다. 탄층주향은 남서에서 북동방향이며 탄층경사는 북북서에서 북북동 방향으로 상부 60°, 하부30°로 발달하였다. 단층은 광구 서단에 함백산 대단층이 북북서 방향으로 발달하였다. A광업소의 개발골격은 1수갱과 2수갱을 중심으로 탄층부존의 자연적인 경계 및 인원관리 효율화 등의 이유로 4개 생산부로 운영하고 있으며, 현재 주가행수준은 -425 M이다.
A광업소의 통기 방식은 중앙 및 대우식의 혼합식이며 기계력에 의한 강제 통기가 이루어지고 있다. 광업소의 주 통기회로는 10개의 갱구로 입기되고 4개의 갱구로 배기된다. 전체입기량의 약 80%가 제 1수갱과 2수갱을 통하여 입기고 입기된 공기는 4개 생산부에 설치된 주선풍기에 의하여 강제 배기된다(Fig. 1) 광업소의 국부배기회로는 필요한 작업장에 적절한 공기들을 분배하기 위하여 운반갱도 및 작업장에 보조 선풍기 및 국부선풍기가 설치되어 가동되고 있다(Kim, 2000).
본 광업소의 조사기록에 의하면 총 입기량은 압축공기 1,060 m3/min를 포함하여 약 15,191 m3/min이고, 총 배기량은 대략 16,251 m3/minm3/min이다. 입기량과 배기량은 온도, 기압, 갱내의 조건들에 의해 항상 변화된다.
주생산 레벨은 -425 ML에서 주로 생산이 이루어지고 있으며, 추가생산을 위한 -475 ML의 굴착이 진행중에 있다. 서론에서 언급한 것처럼 고심도의 채탄장에서 가장 큰 문제는 높은 온·습도이다. 현재 본 연구광산의 주요 채탄장인 -425 ML과 굴진작업중인 -475 ML에서는 90%이상의 높은 습도와 평균 건구온도가 33°C정도로 측정되어 작업자들이 느끼는 열적 스트레스가 매우 높은 수준이며 이러한 작업환경은 생산량과 안전사고에 많은 영향을 미친다.
3. 현장 실험
본 탄광의 통기량 평가를 위하여 갱도의 단면적, 공기속도, 건구 및 습구온도, 기압을 측정하였다. 측정은 정상적인 작업을 하는 상태에서 하였으며, 총 3회 실시하였다. 각 생산부의 주배기 선풍기는 700 HP, 350 HP, 250 HP, 150 HP의 주선풍기가 가동되고 있었으며, 각 채탄막장과 굴진 막장은 상황에 따라 국부선풍기가 가동되고 있었다. 건구온도와 습구온도는 sling psychrometer를 사용하여 측정하였으며, 공기속도 측정은 Hot Wire Anemometer와 Vane Anemometer를 이용하였다. 측정위치는 기존의 광업소에서 선정하여 측정하던 측점을 대상으로 하였으며(180 지점), 정확한 통기량 평가를 위하여 통기회로상 중요한 지점을 추가하여 측정하였다. 광산의 특성상 생산과 굴착을 따라 회로가 변화하게 되며 새로운 통기회로가 필요하게 된다. 통기회로상 중요한 지점은 새롭게 형성된 지점과 새로운 분깃점을 의미한다.
4. 소요통기량 산출
갱내 통기의 목적은 갱내외 취업자 요원의 호흡에 필요한 산소를 공급하고 갱내 작업장에서 발생하는 분진이나 탄층에서 용출하는 가연성 가스를 희석시켜 갱외로 배출하는 동시에 더운 갱내에 신선한 공기를 공급함으로서 작업장 환경을 개선하고 종업원의 보건과 위생을 유지하는데 있다. 따라서 갱내에 통기해야 할 풍량은 언제나 상기 목적을 만족시키는데 충분한 양이 되어야 한다. 그러므로 갱내 소요통기량은 갱내 취업자수와 갱내에서 용출하는 가연성 가스량 및 갱내온도를 근거로 하여 산정하고, 각각의 경우를 만족시킬 수 있는 통기량 중에서 최대의 공기량을 소요통기량으로 채택한다.
가. 갱내 작업자수에 따른 소요통기량
생산계획에 의해 일일 생산량을 결정하고 입갱 실적 통계치를 적용하여 일일 입갱인원을 산출한다. 일일 동시 최대 입갱인원을 산출하기 위하여 일일 입갱 인원수를 2등분 하면 일반적으로 1교대의 동시 최대 입갱인원수가 산출되며, 본 연구에서는 갱내 입갱 출근일지를 참고하여 일일 작업 최대인원을 선정하였다.
또한 입갱인원 일인당 소요통기량 결정은 가연성 가스가 용출하는 갑종탄광의 경우 국내 광산 보안 규칙으로 규정된 입갱인원 일인당 최소 3 m3/min 이상을 적용하였다. 갑종탄광을 제외한 다른 광산은 법으로 소요통기량의 규정이 되어 있지 않지만 일반적으로 일인당 필요한 소요통기량이 노동시에 1.2~2.4 m3/min이며 다수인이 같은 장소에서 작업할 때 갱내에서 배출된 호흡공기를 다시 흡입하지 않고 신선한 공기로 호흡하려면 0.75~2.0 m3/min의 공기량이 소요된다. 대개 일일 동시 최대 갱내 작업인원에 대하여 일인당 3 m3/min으로 보는 것이 타당하다. 일일 동시 최대 입갱 인원수에 필요한 소요통기량을 산정한다.
나. 가연성 가스 용출량에 따른 소요통기량
일평균생산량을 일기본생산량으로 함에 있어 실제 생산 작업 과정에서 생산량이 증감되는 것을 고려해야 한다. 일최대생산량을 결정하기 위해 일최고 생산율을 결정하여야 한다. 일최고생산율은 작업장 상황에 따라 차이가 있지만 매년 기본생산량과 일최대 생산량과의 실적을 비교하였을때 기본 생산량의 120%가 최고생산율로 산정되었다.
최고생산율을 결정한 이후 석탄의 생산 Ton에 따른 가스용출량을 결정하여야 한다. 채탄 작업장의 심도가 깊어질수록 가연성가스의 용출이 증가에 대한 일정한 규칙이 있는 것은 아니므로 새로 개발하는 탄광의 경우에는 부근 탄광 갱내에서의 1톤당 가스 용출량을 참고하여 추정하여야 하고, 개발중인 탄광은 과거 가스발생량과 심도 증가를 고려해서 가연성가스 용출량을 결정하여야 한다.
그러므로 가연성 가스 용출량 결정(VG)은 생산량, 가스 용출량 및 일일 생산량으로 Eqs. (1)과 같이 계산한다.
가스 용출량 VG(m3/min)은 식 (1)에 의하여 계산된어진다.
A광업소는 갑종탄광으로 가연성가스가 용출되지만 기존 가스 용출량의 기록을 토대로 생산 1톤당 5 m3로 결정하였고 이를 기준으로 소요통기량을 계산한다.
다. 갱내 적정 온도에 의한 소요통기량
입기된 공기의 온도는 지하 암반의 온도, 심도 변화에 단열 압축열, 기계류에 의한 마찰열 및 기류의 속도 변화에 의하여 영향을 받는다. 또한 갱내에 내재하는 열원들 즉 산화열, 인체의 발산열, 갱내 갱도벽 및 주위 수분의 증발에 의한 흡수열 등에 의하여 변화한다.
이러한 갱내의 열들에 의해 온도가 증가된 입기가 작업개소의 온도를 저하시키기 위하여 갱내 온도를 30°C 이하의 온도로 저하시키기 위한 소요통기량을 계산한다.
작업장 갱도는 규격을 3.3 m×2.4 m (단면적 6.23 m2, 갱내 지압을 받은 일반적 막장)으로 하고 일반적 거리는 100 m까지로 하여 평균 갱도 개착 후 경과 시간은 15일로 가정한다.
작업장 온도는 Eqs. (2) 의하여 계산한다.
Cp: 공기 비열(0.24), Qf: 작업장의 통기량(m3/min). r: equivalent radius, S: 운반갱도 통기거리(m), t0: 암반온도(°C), t3: 운반갱도 끝의 온도(°C), t4: 작업장 기류 온도(°C), λg: 암반의 열전도율(사암 2.5 kcal/mb°C), η: 갱도개착 경과시간 계수(운반갱도 2년 경과는 대략 0.4임).
갱내 작업자수에 의한 소요통기량은 안전율을 고려하였을 경우 3,340 m3/min 으로 계산되었고 가연성 가스 용출량에 의한 소요통기량은 6,510 m3/min, 갱도 온도를 통한 소요통기량은 17,452 m3/min로 계산되었다. 계산된 소요통기량중에 갱내온도를 기준으로 한 소요통기량이 가장 큰 값이므로 17,452 m3/min을 본 탄광의 갱내 소요통기량으로 결정한다.
5. A광업소 -475 ML 갱내 기상 예측
앞으로 -475 ML 개발할 때의 작업환경을 예측하기 위하여 갱내온도 예측 계산을 하였다. 현장조사를 통하여 갱내의 규격과 구조를 조사하였으며 갱내 온도, 습도 및 기압 등을 측정하였다. 그리고 수치해석을 위한 암반의 열적 요소 및 파라미터는 기존 자료를 사용하였다. -475 ML의 통기량은 VnetPC 프로그램을 이용하여 예측하였으며, 학습된 인공신경망을 이용하여 얻은 갱내의 열전도율은 갱내 온도 예측을 위해 사용된다.
5.1. VnetPC 프로그램
VnetPC 통기해석 프로그램은 미국 MVS(Mine Ventilation Service)에서 개발한 광산 통기 네트워크 해석프로그램으로서 전 세계에서 오랫동안 사용되고 있는 프로그램이다. 이 프로그램은 미국의 방사성 폐기물 처분사업(Waste Isolation Pilot Plan)의 통기 평가에 사용되었다. VnetPC 프로그램은 지하의 공기가 비압축성 기체로 가정하였으며 Kirchoffs의 두가지 기본 법칙에 기초하여 발전했다(Wang, 1970).
Law 1: 각 교차점을 떠나고 들어오는 공기비율의 체적의 대수적 합계는 같다. 비 압축흐름은 교차점에서의 고정된 양의 주입 또는 반출에 의해 시뮬레이션(simulation)을 한다.
Law 2: 폐쇄된 회로 주위의 마찰압력저하의 대수적 합은 fan, 자연통기효과로 설명되어지며 0과 동일하다.
통기 회로에서 Opreating Point를 결정하기 위해 Atkinson공식을 사용한다. 이 공식에서 터널의 저항곡선과 선풍기의 특성 곡선의 교차점이 Opreating Point으로 결정된다. 대부분의 통기회로는 수백개의 mesh를 가지며 이를 계산하기 위해 “Hardy Cross Method”를 사용하며 이는 연속적인 계산에 의해 오차를 줄여 나가는 “Iteration Method”이다(McPherson, 1997).
5.2. 통기량 시뮬레이션(Simulation)
통기량 시뮬레이션을 위해 먼저 광업소의 전체 갱도를 모델링을 한다. 이 모델링 작업을 통해 VnetPC에 광업소의 레이아웃(Layout)을 인식시킨다. 모델링 작업은 Fig. 2와 같이 A광업소의 갱내의 위치들을 단순하게 작성한다. 이 작업은 간단하지만 많은 경험과 통찰력으로 정확하고 필요한 개소들로 지도를 단순하고 명확하게 작성하여 각각의 분기점이나 전체적인 모양을 잘 나타내 주어야 한다(Kwon, 1986). 프로그램에서 하나의 점으로 나타나는 지점을 노드(Node)라 하고, 노드와 노드사이를 연결한 것을 브랜치(Branch)라고 한다. A광업소 통기량 시뮬레이션에서는 약 550개의 브랜치를 작성하였다.
VnetPC의 branch data를 입력시키기 위해 각각의 브랜치의 저항을 계산하여야 한다. 통풍로의 손실수두(head loss)는 통풍로에 흐르고 있는 공기량의 제곱에 비례하므로 headquantity관계는 비례적인 상수를 포함한다. 갱도의 저항은 Eqs. (3)으로 계산된다(Atkinson Eq.)(McPhrson, 1987).
R: 갱도 저항(N*s2/m8), P: 주변장(m), L: 갱도 길이(m), Le: Equivalent Length(m), A: 갱도 단면적(m2), K: Friction Factor(kg/m3).
본 통기량 시뮬레이션에서는 마찰계수 K를 McElroy의 값 0.015 kg/m3를 사용하였고(Table 1), 갱내의 벽면 상태에 따라 그 값을 변화 시켰다. 갱도의 단면적과 갱도 길이는 실제로 측정한 값을 사용하였으며, 갱도의 모양이나 형상으로 인한 충격 손실에 따른 압력의 변화는 등가길이 Equivalent Length Method를 이용하였다(Table 2)(Hartman, 1982).
Table 1
Friction factor (referred to air density of 1.2 kg/m3) and coefficients of friction(independent of air density)
Table 2
Example of Equivalent Length
광산 갱도의 상황들을 정확히 프로그램에 표현하기 위해 선풍기(Fan)는 주선풍기, 보조선풍기, 국부선풍기를 위치를 브랜치에 입력시키고 각 선풍기의 성능을 나타내는 선풍기 특성곡선을 이용하여 압력과 풍량을 입력시켰다. 가장 중요한 작업인 Network Balancing 작업을 통하여 실제 갱도에서의 풍량과 시뮬레이션 결과에 나타나는 풍량을 반복 작업 및 수정을 통하여 맞추어 나간다. 그 결과 시뮬레이션 한 통기량과 실제 갱도에서의 실측한 공기량과의 차이를 비교하였을 때 90%이상의 정확도를 가지고 있었으며, 실제의 통기 시스템이 표현된 모델링을 이용한 -475 ML의 통기량 수치해석의 결과에서도 90%이상의 신뢰도를 가진다고 할 수 있다.
현재 A광업소는 -425 ML에서 주로 생산이 이루어지고 있다. -425 ML의 석탄의 생산이 끝나면 더 깊은 심도인 -475 ML로 생산개소가 이동되어질 것이다. VnetPC를 이용한 통기량 시뮬레이션은 -425 ML을 생산할 때 작업장 온도가 높은 개소인A개발부의 9X 지점을 기준으로 -475 ML A개발부의 9X 지점에 입기되는 통기량을 모의 실험하였다. -475 ML의 갱도구조가 -425 ML과 같다고 가정하였으며, 통기회로 역시 상부레벨과 같은 방법과 구조로 통기 시킬 것으로 가정하여 통기량 수치해석을 하였다. 또한 -475 ML의 생산 계획은 -425 ML과 동일하다고 가정하였으며, 갱내의 규격이나 마찰계수 등도 동일하다고 가정하여 통기량 모의 실험을 하였다. 그 결과 A광업소 -475 ML A개발부의 9X 지점에서의 입기량은 512 m3/min였으며 예측된 입기량을 이용하여 동일 지점의 온도 예측을 하였다.
6. 온도 예측 프로그램
6.1. 개요
온도 예측 프로그램은 지하공간이나 갱내 채굴방식의 광산에서 개발계획에 의해 새로운 갱도에 대한 갱내 기상을 예측하기 위하여 개발된 프로그램이다. 이 프로그램은 지하공간에서 통기 시스템을 계획할 수 있도록 지하공간의 수직갱이나 경사로 혹은 전략지역의 공기길 등의 구간 별로 갱내 기상을 예측할 수 있다. 지하 공간의 열적 특성을 가지 조건을 이온하여 지하공간의 온도 인자를 계산하게 된다. 이를 계산하기 위한 파라미터들은 건·습구온도, 압력, 유량, 갱도길이, 갱도의 심도, 주변장, 마찰계수, 젖음 정도, 갱도연령, 초기암반온도, 지열온도구배, 열전도도, 열확산계수로 되어 있다.
일반적으로 온도 예측 프로그램에서 예측되는 지하 공간은 균질한 암반 상태를 가진 원형 터널에서 방사성인 열적 흐름으로 표현되지만 실제 터널에서는 원형 터널로 되어있지 않으며, 암반 상태도 단층, 절리와 같은 암반 내 균열이 존재할 수 있으므로 균질하다고 볼 수 없다. 본 프로그램의 특징은 이러한 문제점들을 해결하기 위해 인공 신경망(Artificial Neural Network)의 개념을 도입하여, 암반의 특성을 실제와 유사하게 접근할 수 있도록 하였다. 인공신경망은 인간의 뇌에 존재하는 생물학적 신경세포와 이들의 연결 관계를 단순화시켜 수학적으로 모델링하여 인간의 두뇌가 나타내는 지능적 형태를 구현하는 것이다(Lippman, 1988). 인간이 학습을 통하여 사물을 식별하고 판단하듯이, 인공 신경망도 암반 특성 즉 암반의 열전도도에 영향을 주는 인자들을 입력 값으로 하여 사용자가 정해주는 반복 횟수만큼 학습을 하여 인공적인 지능을 갖게 된다. 이렇게 학습이 이루어진 프로그램을 이용하여 새로운 지하공간의 열전도율을 예측할 수 있게 된다.
6.2. 인공신경망을 이용한 온도 예측 프로그램
인공신경망은 인간의 뇌에 존재하는 생물학적 신경세포와 이들의 연결 관계를 단순화시켜 수학적으로 모델링하여 인간의 두뇌가 나타내는 지능적 형태를 구현한다. 따라서 인공신경망은 연속적인 학습에 의해 이전의 데이터를 보간(Interpolation)하는 방식으로 복잡한 비선형 시스템의 제어에 적합하다고 할 수 있다. 현재 신경망 알고리즘 중 역전파(Back-propagation)방식이 사용상의 용이성 때문에 가장 많이 쓰이는 알고리즘이다. 역전파알고리즘은 입력 벡터(Vector)가 나열되어있는 예제를 통해 반복적으로 출력을 각각의 입력에 따라 수정해가며 학습한다. 각각의 학습파일을 거치는 것이 하나의 주기이다. 각 주기 동안 네트워크는 실제의 결과를 가지고 목적하는 결과와 비교해서, 에러를 산출한 뒤, 그 에러를 최소화하기 위해 가중치(Weight)를 조절한다(Simon Haykin, 1994). Supervised Training이라 불리는 이 과정을 통해, 네트워크는 올바른 결과와 입력 패턴을 연관시키는 것을 학습하게 된다. 누적된 변화 값은 네트워크가 학습한 것을 나타내며, 학습한 방법을 보존하는 가중치(Weight)를 저장하는 것을 나타낸다.
일반적으로 출력층에서 나온 결과 벡터(Opj)는 실제의 결과 벡터(Tpj)와는 같지 않다. 이들 간의 오차는 다음과 같이 계산된다.
전체 오류는 학습 오류의 합으로서 계산된다.
Eqs. (4)과 Eqs. (5)는 학습 오류를 감소시키기 위해서 가중치는 전방향전파와 역전파를 반복하면서 가중치를 변화 시키는 계산을 한다. 반복적 수행과정은 정해진 역치오류(Threshold error)까지 계속 수행되며 일반적으로 RMS(Root mean squared error)나 SSE(Summed squared error)을 이용하 여 수렴될 때까지 수행한다(James A. Freeman, 1992).
7. 온도 예측 프로그램을 이용한 온도 예측
인공신경망을 이용하여 갱내열전도율을 예측할 때 사용되는 인자의 종류와 수의 결정은 매우 중요하며, 사용되는 인자들에 대한 양질의 데이터 획득이 반드시 필요하다. 본 연구에서는 갱내의 열전도율에 영향을 미치는 암반의 열적 요소들에 관계되는 9가지 인자들-작업장심도, 건구온도, 습구온도, 통기량, 경과년도, 암반습윤도, 압력, 건구온도차, 지하수상태-를 열전도율 예측에 이용하였다.
온도 예측 프로그램을 사용하기 위해서 통기량이 반드시 필요하다. 그러기 때문에 앞에서 설명한 VnetPC를 사용하였으며, 수치해석을 통하여 얻어진 -475ML 9X 지점의 입기량 520 m3/min의 값을 온도 예측 프로그램에 사용하여 A생산부 주운반갱도 9X 온도를 예측하여 보았다. 온도 예측을 하기 위하여 각 지점별 건습구 온도, 압력, 유량, 갱도 길이 및 깊이, 갱도 형상, VRT(virgin rock temperature), 마찰계수, 열전달계수, 확산계수 등의 변수 입력을 하였으며 -475 ML의 갱내형상에 관계된 변수들은 상부레벨인 -425 ML과 같다고 가정하였다. 그 결과 Fig. 3에서 보는 바와 같이 갱내 기상 온도는 건구온도 30.2°C, 습구온도 30.2°C로 예측 되었다. 건구온도와 습구온도가 같은 이유는 A생산부 주운반갱도 9X 지점의 습도가 높기 때문이며 작업환경이 열악한 환경이라 판단된다. -475ML을 하거나 더 깊은 심도까지 개발한다면, 갱내 작업장의 온도를 낮춰 주어야 하며 이를 위해서는 입기량의 증가가 반드시 필요하다. 입기량의 증가를 위하여 갱도의 저항을 저하시켜야 하며 이를 위하여 갱도의 단면을 확장한다거나 선풍기의 용량을 증가시켜야 할 것이다.
8. 결론
본 연구에서는 A광업소의 통기 시스템을 평가 하였으며 생산을 위해 심부 개발을 할때의 갱내 온도를 예측하였다. 실질적이고 정확한 미개발 지하공간의 온도 예측을 하기 위해 인공신경망을 이용하여 갱내의 열전도율을 예측하여 온도 예측프로그램의 인자로 사용함으로써 보다 정확한 갱내 기상을 예측하여 통기 시스템 설계의 기초로 사용할 수 있게 하였다. 본 연구에서 얻어진 결론을 다음과 같이 요약한다.
1. A광업소의 현재 입기되는 총량은 16,251 m3/min이였으며, 실제 계산한 소요통기량 17,452 m3/min으로 계산되었다. 이는 현재의 소요통기량, 즉 총 입기량 1,201 m3/min이 부족한 것으로 나타났다.
2. 본 연구에서 사용된 온도 예측 프로그램에서 갱내 열전도율을 계산을 위한 인공 신경망(Artificial Neural Network)을 이용하였으며 열전도율 계산을 위한 작업장심도, 건구온도, 습구온도, 통기량, 경과년도, 암반습윤도, 압력, 건구온도차, 지하수상태의 9개 인자를 사용하였다.
2. 생산 예정 지역인 -475ML이 -425ML과 같이 생산이 시작되었을때의 A생산부 주운반갱도 9X 지점의 온도를 예측하기 위하여 VnetPC를 이용하여 통기량 예측을 한 결과 512 m3/min로 예측 되었으며, 온도 예측 프로그램을 이용하여 갱내기상온도를 모의실험 한 결과 주운반갱도 9X의 온도는 30.2°C로 예측되었다.
3. 온도 예측 프로그램은 인공신경망을 이용하여 열전도율예측을 하기 때문에 이 프로그램을 학습시킬 보다 많은 양질의 데이터 수집은 필수적이며, 이를 위한 지속적인 지하 작업장에서의 여러 인자들에 대한 모니터링과 데이터 베이스화가 요구되어진다.
본 연구를 통하여 지하공간의 심부 온도를 예측함으로서 갱도의 규격이나 국부선풍기, 보조선풍기 등의 용량을 산정하여 최적의 통기 계획을 마련함으로써 작업원들에게 보다 쾌적하고 안전한 환경을 제공할 수 있을 것으로 예상된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
