การสร้างแบบจำลองทางคณิตศาสตร์สำหรับการทำนายพฤติกรรมการใช้พลังงานไฟฟ้าและการระบายความร้อนจากการทำงาน ของระบบทำความเย็นชนิด 3 สภาวะในโรงงานอุตสาหกรรมผลิตเครื่องดื่ม
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้เป็นการศึกษาการสร้างแบบจำลองทางคณิตศาสตร์เพื่อทำนายพฤติกรรมการใช้พลังงานไฟฟ้าและการระบายความร้อนสู่อากาศแวดล้อมภายนอกจากการทำงานของระบบทำความเย็นชนิด 3 สภาวะ ในโรงงานอุตสาหกรรมผลิตเครื่องดื่ม ประกอบไปด้วยระดับอุณหภูมิ 15, -1 และ -6 องศาเซลเซียส โดยมีวัตถุประสงค์เพื่อหาแบบจำลองที่มีความแม่นยำสำหรับการทำนายการใช้พลังงานไฟฟ้าและการระบายความร้อนของระบบ นำไปสู่การวิเคราะห์สภาวะการทำงานที่เหมาะสมของระบบทำความเย็น โดยแบบจำลองทางคณิตศาสตร์ที่ใช้ศึกษาประกอบไปด้วยแบบจำลอง Radial basis function (RBF), Multivariate adaptive regression splines (MARS) และ Kriging จากการศึกษาผลการสร้างแบบจำลองทางคณิตศาสตร์สำหรับทำนายพฤติกรรมการใช้พลังงานไฟฟ้าและการระบายความร้อนของระบบ แบบจำลองที่มีประสิทธิภาพสูงสุดคือ RBF ที่มีสมการควบคุมเป็น linear splines มีค่า RMSE 2.80% และ 2.77% ตามลำดับ และแบบจำลองที่มีประสิทธิภาพแย่ที่สุดคือ RBF ที่มีสมการควบคุมเป็น cubic splines มีค่า RMSE 41.10% และ 74.17% ตามลำดับ แบบจำลองทางคณิตศาสตร์ที่มีความแม่นยำสามารถแทนพฤติกรรมของระบบทำความเย็น ใช้ในการหาค่าเหมาะสมที่สุด เพื่อนำไปสู่การลดการใช้พลังงานไฟฟ้าและเพิ่มประสิทธิภาพการระบายความร้อย ช่วยลดต้นทุนการผลิตของโรงงานอุตสาหกรรมผลิตเครื่องดื่มได้ในอนาคต
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารวิศวกรรมฟาร์มและเทคโนโลยีควบคุมอัตโนมัติ (FEAT Journal) มีกําหนดออกเป็นราย 6 เดือน คือ มกราคม - มิถุนายน และกรกฎาคม - ธันวาคม ของทุกปี จัดพิมพ์โดยกลุ่มวิจัยวิศวกรรมฟาร์มและเทคโนโลยีควบคุมอัตโนมัติ คณะวิศวกรรมศาสตร์มหาวิทยาลัยขอนแก่น เพื่อเป็นการส่งเสริมและเผยแพร่ความรู้ ผลงานทางวิชาการ งานวิจัยทางด้านวิศวกรรมศาสตร์และเทคโนโลยีพร้อมทั้งยังจัดส่ง เผยแพร่ตามสถาบันการศึกษาต่างๆ ในประเทศด้วย บทความที่ตีพิมพ์ลงในวารสาร FEAT ทุกบทความนั้นจะต้องผ่านความเห็นชอบจากผู้ทรงคุณวุฒิในสาขาที่เกี่ยวข้องและสงวนสิทธิ์ ตาม พ.ร.บ. ลิขสิทธิ์ พ.ศ. 2535
References
Suwanwiang T, Bureeeat S and Wansasueb K. Applied Surrogate Model: Energy Consumption of a Sugar Milling Machine. KKU Research Journal. 2022; 22(1): 85–96.
สุปราณี เหล่าขุนค้า และ ธนา ราษฎร์ภักดี. การสร้างแบบจำลองทางคณิตศาสตร์แบบ คริจจิงของระบบผลิตก๊าซชีวภาพจากการหมักร่วมของหญ้าเนเปียร์ไซเลจ กากมันสำปะหลัง มูลไก่ และมูลวัว. วารสารวิศวกรรมฟาร์มและเทคโนโลยีการควบคุมอัตโนมัติ. 2022; 8(2): 78–87.
Copas JB, Malley PF. A comparison of regression trees, logistic regression, generalized additive models, and multivariate adaptive regression splines for predicting AMI mortality. Statistics in Medicine. 2008; 26(15): 2937–57.
Song X, Lv L, Sun W and Zhang J. A radial basis function-based multi-fidelity surrogate model: exploring correlation between high-fidelity and low-fidelity models. Structural and Multidisciplinary Optimization. 2019; 60(3): 965–81.
Bagheri S, Konen W and Back T. Comparing Kriging and Radial Basis Function Surrogates. Work Computer Intelligence. 2017; 27: 244–59.
Ibrahim Dincer and Kanoglu Mehmet. REFRIGERATION SYSTEMS and APPLICATIONS. United Kingdom: A John Wiley and Sons, Ltd., Publication; 2010.
Phayom W. THERMODYNAMICS. อุดรธานี: [ม.ป.พ.]; 2012.
Li Y and Wu H. A Clustering Method Based on K-Means Algorithm. Phys Procedia. 2012; 25: 1104–9.
Keane DAIJFDASPAJ. Engineering Design via Surrogate Modelling. United Kingdom: A John Wiley and Sons, Ltd., Publication; 2008.
Buhmann MD and Michael JD. Powell’s work in approximation theory and optimisation. Journal of Approximation Theory. 2019; 238: 3–25.
สุจินต์ บุรีรัตน์. การหาค่าเหมาะที่สุดของระบบทางวิศวกรรมเครื่องกล เล่ม 1. ขอนแก่น: โรงพิมพ์มหาวิทยาลัยขอนแก่น; 2556.
Friedman JH. Technical Report No. 110: Fast MARS (Internet). California; 1993. [cited 2023 April 3]. Available from: http://www.milbo.users.sonic.net/earth/Friedman-FastMars.pdf
Lophaven SN, Nielsen HB, Sondergaard J. DACE - A Matlab Kriging Toolbox (Internet). [cited 2023 April 3]. Denmark; 2002. Available from: https://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=F5C25B1AAA74EF3591339F9E4205C235?doi=10.1.1.17.3530&rep=rep1&type=pdf
Ostadi M. Surrogate Models for Integrated Reforming Combined Cycle Optimization. Norwegian University of Science and Technology; 2013.
Ryu JS, Kim MS, Cha KJ, Lee TH and Choi DH. Kriging interpolation methods in geostatistics and DACE model. KSME International Journal. 2002; 16(5): 619–32.