แบบจำลองการใช้พลังงานของเครื่องหีบสกัดอ้อย

Thawatchai Suwanwiang; Sujin Bureeeat; Kittinan Wansasueb

ผู้แต่ง

Suwanwiang นักศึกษา หลักสูตรวิศวกรรมศาสตรมหาบัณฑิต สาขาวิชาวิศวกรรมเครื่องกล คณะวิศวกรรมศาสตร์ มหาวิยาลัยขอนแก่น
Bureeeat ศาสตราจารย์ สาขาวิชาวิศวกรรมเครื่องกล คณะวิศวกรรมศาสตร์ มหาวิยาลัยขอนแก่น
Wansasueb นักศึกษา หลักสูตรวิศวกรรมศาสตรดุษฎีบัณฑิต สาขาวิชาวิศวกรรมเครื่องกล คณะวิศวกรรมศาสตร์ มหาวิยาลัยขอนแก่น

คำสำคัญ:

แบบจำลองกระบวนการหีบสกัด, ค่าความสูญเสียของชานอ้อย, พลังงานความร้อนต่อผลผลิต

บทคัดย่อ

งานวิจัยนี้เป็นการศึกษาและพัฒนาขั้นตอนวิธีการวิเคราะห์พลังงานของเครื่องหีบสกัดแบบต่อเนื่อง 5 ชุดในกระบวนการผลิตนํ้าตาลของโรงงานน้ำตาลกุมภวาปี เพื่อเพิ่มศักยภาพของกระบวนการผลิตน้ำตาล ซึ่งประกอบด้วยการเพิ่มความแม่นยำและความรวดเร็ว หรือลดความซับซ้อนของขั้นตอนในการวิเคราะห์ เป็นต้น วัตถุประสงค์ของงานวิจัยนี้คือการศึกษาแบบจำลองทางคณิตศาสตร์เพื่อระบุแบบจำลองที่เหมาะสมกับการทำนายพฤติกรรมการใช้พลังงานของเครื่องหีบสกัดอ้อยจากการปัจจัยต่างๆที่ส่งผลกระทบต่อการใช้พลังงานของเครื่อง เพื่อนำมาใช้ประโยชน์ในการลดการใช้พลังงานของเครื่องหีบ โดยแบบจำลองที่ใช้ในการศึกษานี้ได้แก่ คริจจิ้ง (Kriging, KRG), การประมาณค่าในช่วงฐานแนวรัศมี (Radial basis function, RBF) และ ขั้นตอนวิธีการเคเนียเรสเนเบอร์ฮูด (k-nearest neighborhood, KNN) และข้อมูลที่ใช้ในงานวิจัยที่ได้รับการสนันสนุนจากโรงงานน้ำตาลจะถูกคัดกรองด้วยเทคนิคการจัดกลุ่มแบบเคมีน (k-mean clustering technique) ก่อนนำไปใช้สร้างแบบจำลอง ซึ่งจากการศึกษาพบว่าแบบจำลองทั้งหมดสามารถใช้ทำนายพฤติกรรมการใช้พลังงานของเครื่องหีบอ้อยได้โดยมีค่าความคลาดเคลื่อนที่ใกล้เคียงกันโดยมีค่าเปอร์เซนต์ความคลาดเคลื่อนเฉลี่ยกำลังสองอยู่ในช่วง 4.9808-12.5044.

References

OCSB (Office of The Cane and Sugar Board). Sugar production efficiency report. Bangkok; 2001.

Buathong A. The Model Development of Energy Balance for a Sugar Mill. Kon Kean University; 2014.

Wansasueb K, Pholdee N, Bureerat S. Optimum radii and heights of U-shaped baffles in a square duct heat exchanger using surrogate-assisted optimization. Eng Appl Sci Res. 2017 Apr 1;44(2):84–89.

Parzlivand F, Shahrezaee A. The use of inverse quadratic radial basis functions for the solution of an inverse heat problem. undefined. 2016;

Watts S, Arrighi W, Kudo J, Tortorelli DA, White DA. Simple, accurate surrogate models of the elastic response of three-dimensional open truss micro-architectures with applications to multiscale topology design. Struct Multidiscip Optim [Internet]. 2019 Nov 1 [cited 2020 Dec 2];60(5):1887–1920. Available from: https://doi.org/10.1007/s00158-019-02297-5

Tosteson TD, Ware JH. Designing a logistic regression study using surrogate measures for exposure and outcome. Biometrika. 1990;77(1):11–21.

Wansaseub K, Sleesongsom S, Panagant N, Pholdee N, Bureerat S. Surrogate-Assisted Reliability Optimisation of an Aircraft Wing with Static and Dynamic Aeroelastic Constraints. Int J Aeronaut Sp Sci [Internet]. 2020 [cited 2020 Jan 25];21(3):723–32. Available from: https://link.springer.com/article/10.1007/s42405-019-00246-6

Hugot E. Handbook of cane sugar engineering. 3rd rev. ed. Amsterdam: Elsevier; 1986.

Rein P. Cane sugar engineering. Cane sugar Eng. 2016;(Ed. 2).

MOOLSIRI N. DEVELOPMENT OF MASS AND ENERGY BALANCE MODEL FOR STEAM UTILIZATION PLANNING IN SUGAR PROCESSING. Khon Kaen University; 2012.

Dogbe ES, Mandegari MA, Görgens JF. Exergetic diagnosis and performance analysis of a typical sugar mill based on Aspen Plus. Energy. 2018 Feb 15;145:614–625.

Thaval OP. Modelling the flow of cane constituents through the milling process of a raw sugar factory. 2012;

Pongkanpai S, Sookkumnerd C, Priprem S. Study of the effect of determining the conditions of raw sugar production on steam utilization rate. King Mongkut’s University of Technology North Bangkok; 2009.

Li Y, Wu H. A Clustering Method Based on K-Means Algorithm. Phys Procedia. 2012 Jan 1;25:1104–1109.

Forrester AIJ, Sóbester A, Keane AJ. Engineering Design via Surrogate Modelling. Wiley; 2008.

Panagant N, Bureerat S. Truss topology, shape and sizing optimization by fully stressed design based on hybrid grey wolf optimization and adaptive differential evolution. Eng Optim. 2018 Oct 3;50(10):1645–1661.

Gan G, Valdez EA. Ordinary Kriging. Metamodeling Var Annu. 2019;69–94.

Ghosh J, Nag A. An Overview of Radial Basis Function Networks. In Physica, Heidelberg; 2001 [cited 2020 Dec 2]. p. 1–36. Available from: https://link.springer.com/chapter/10.1007/978-3-7908-1826-0_1

Wu Y, Wang H, Zhang B, Du K-L. Using Radial Basis Function Networks for Function Approximation and Classification. ISRN Appl Math. 2012;2012:1–34.

Schaback R. Radial Basis Functions Viewed From Cubic Splines. In: Multivariate Approximation and Splines [Internet]. Birkhäuser Basel; 1997 [cited 2020 Dec 2]. p. 245–258. Available from: https://link.springer.com/chapter/10.1007/978-3-0348-8871-4_20

Javaran SH, Khaji N. Inverse Multiquadric (IMQ) function as radial basis function for plane dynamic analysis using dual reciprocity boundary element method. 2012;

Sarra SA. Integrated multiquadric radial basis function approximation methods. Comput Math with Appl. 2006 Apr 1;51(8 SPEC. ISS.):1283–1296.

Zhang Z. Introduction to machine learning: K-nearest neighbors. Ann Transl Med [Internet]. 2016 Jun 1 [cited 2020 Dec 2];4(11). Available from: /pmc/articles/PMC4916348/?report=abstract