การทำนายสภาวะที่เหมาะสมในการผลิตไบโอดีเซลด้วยเทคนิคโครงข่ายประสาทและการจำลองการอบเหนียว

Main Article Content

ธิติมา ตาสาโรจน์
กนกชัย พลแสน
บัณฑิต บุญขาว

บทคัดย่อ

บทความนี้เป็นการนำเทคนิคการขับเคลื่อนด้วยข้อมูลมาประยุกต์ใช้ในการทำนายสภาวะที่เหมาะสมของการสังเคราะห์ไบโอดีเซล เป็นที่ทราบกันดีว่าราคาของไบโอดีเซลนั้นไม่สามารถแข่งขันกับราคาน้ำมันดีเซลได้ เนื่องจากข้อจำกัดด้านประสิทธิภาพการสังเคราะห์ซึ่งขึ้นอยู่กับสภาวะเงื่อนไขการสังเคราะห์ แม้ว่าการออกแบบการทดลองเชิงสถิติสามารถนำไปใช้เพื่อหาสภาวะการสังเคราะห์ที่เหมาะสมและลดต้นทุนในการดำเนินการทางห้องปฏิบัติการให้น้อยที่สุดได้ แต่ก็ยังใช้เวลาและค่าใช้จ่ายในการดำเนินการทางห้องปฏิบัติการ ดังนั้นบทความนี้จึงเสนอแนวทางในการค้นหาสภาวะการสังเคราะห์ที่เหมาะสมโดยใช้เทคนิคการขับเคลื่อนด้วยข้อมูล เนื่องจากมีการรายงานสภาวะการสังเคราะห์ไบโอดีเซลเป็นจำนวนมากในวารสารและหนังสือทางวิชาการ ข้อมูลเหล่านี้สามารถนำมาใช้เป็นข้อมูลดิบสำหรับการเรียนรู้และฝึกเครื่องจักรเพื่อสร้างแบบจำลองที่จะนำไปใช้ในการทำนายหรือค้นหาสภาวะที่เหมาะสม ในบทความนี้ได้ใช้สภาวะการสังเคราะห์จำนวน 80 รายการและร้อยละของผลผลิตของการสังเคราะห์ไบโอดีเซลจากฐานข้อมูลบทความทางวิชาการถูกกำหนดให้เป็นข้อมูลป้อนเข้าและข้อมูลผลลัพธ์ตามลำดับ ข้อมูลดังกล่าวถูกใช้ในการฝึกการเรียนรู้ของเครื่องจักรโดยเลือกใช้เทคนิคโครงข่ายประสาทเป็นเทคนิคการเรียนรู้ของเครื่องจักร แบบจำลองที่ได้จากการเรียนรู้มีความคลาดเคลื่อนสูงสุดที่ร้อยละ 2.44 เมื่อทำการตรวจสอบความถูกต้องด้วยการทำนายสภาวะการสังเคราะห์ที่เป็นข้อมูลชุดใหม่จำนวน 8 รายการ จากนั้นแบบจำลองการเรียนรู้จะถูกนำไปใช้ในการทำนายและค้นหาสภาวะการสังเคราะห์ที่คาดว่าจะให้ร้อยละผลผลิตสูงสุดด้วยเทคนิคการหาค่าที่เหมาะสม โดยพบว่าจากการค้นหาสภาวะการสังเคราะห์ที่คาดว่าจะให้ร้อยละของผลผลิตสูงสุดนั้นจะมีค่าไม่เกินค่าสูงสุดที่ใช้ในการฝีกการเรียนรู้ของเครื่องจักร ซึ่งการค้นหาสภาวะที่เหมาะสมจะค้นหาอยู่เพียงแค่ภายในขอบเขตของข้อมูลที่ใช้ฝึกการเรียนรู้เท่านั้น ดังนั้นหากต้องการให้การค้นหาสภาวะที่เหมาะสมอยู่นอกเหนือจากข้อมูลที่ใช้ฝึกการเรียนรู้จะต้องหาวิธีการที่จะทำให้การค้นหาอยู่นอกสภาวะที่ใช้ในการฝึกการเรียนรู้ ปัญหาดังกล่าวถือว่าเป็นโจทย์ที่ท้าทายสำหรับการดำเนินการวิจัยต่อไป

Article Details

บท
บทความวิจัย

References

Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, no. 7553, pp. 436-44, May 28 2015.

S. Baroutian, M. K. Aroua, A. A. A. Raman, and N. M. N. Sulaiman, "Prediction of Palm Oil-Based Methyl Ester Biodiesel Density Using Artificial Neural Networks," Journal of Applied Sciences, vol. 8, no. 10, pp. 1938-1943, 2008.

M. P. Dorado, E. Ballesteros, M. Mittelbach, and F. J. López, "Kinetic Parameters Affecting the Alkali-Catalyzed Transesterification Process of Used Olive Oil," Energy & Fuels, vol. 18, no. 5, pp. 1457-1462, 2004.

A. J. Yuste and M. P. Dorado, "A Neural Network Approach to Simulate Biodiesel Production from Waste Olive Oil," Energy & Fuels, vol. 20, no. 1, pp. 399-402, 2006.

M. Corral Bobadilla, R. Fernández Martínez, R. Lostado Lorza, F. Somovilla Gómez, and E. Vergara González, "Optimizing Biodiesel Production from Waste Cooking Oil Using Genetic Algorithm-Based Support Vector Machines," Energies, vol. 11, no. 11, 2018.

P. Kim, MATLAB Deep Learning. APress, 2017.

P. J. M. van Laarhoven and E. H. L. Aarts, Simulated Annealing: Theory and Applications. Springer, 1987.