การพัฒนาโครงข่ายประสาทเทียมเพื่อทำนายค่าความเร็วการกระจายตัวของผงของแข็งแบบสม่ำเสมอในของเหลว กรณีศึกษาการออกแบบสำหรับโรงงานผลิตแป้งมันสำปะหลัง
Article Sidebar
Main Article Content
บทคัดย่อ
สิ่งสำคัญในการควบคุมคุณภาพของกระบวนการผลิตการผสมของแข็งในของเหลวในถังผสมคือ ความเร็วรอบที่เหมาะสมและเพียงพอสามารถก่อให้เกิดสภาวะการกระจายตัวอย่างสม่ำเสมอของของแข็งในของเหลว(solid-liquid suspension) ในการออกแบบความเร็วรอบที่เหมาะสมมีความจำเป็นต้องเรียนรู้ทฤษฎีด้านเทคโนโลยีการผสมของเหลวในเชิงลึก พร้อมทั้งต้องใช้สมการการคำนวณทางคณิตศาสตร์ที่ซับซ้อน ผู้ออกแบบ จำเป็นต้องมีประสบการณ์การในการทดสอบงานจริงเพื่อวิเคราะห์และคาดการณ์ได้อย่างถูกต้อง เพื่อลดความซับซ้อนดังกล่าว และยังคงไว้ซึ่งความถูกต้องของการออกแบบเพื่อการนำไปใช้งานได้จริง งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองโครงข่ายประสาทเทียม ในรูปแบบความสัมพันธ์ของตัวแปร สำหรับการคัดกรองตัวแปรของปัจจัยที่เหมาะสมและพยากรณ์ความเร็วรอบเพื่อหาค่าการกระจายตัวของแข็งในของเหลวอย่างสม่ำเสมอ การวิจัยแบ่งเป็น 2 ขั้นตอน ประกอบด้วย ขั้นตอนที่ 1 การพัฒนาโครงข่ายประสาทเทียมเพื่อการวิเคราะห์ปัจจัยที่เกี่ยวข้องจำนวน 8 ปัจจัย พร้อมทั้งหาปัจจัยที่มีความเหมาะสมสำหรับการออกแบบ ขั้นตอนที่ 2 การพัฒนาโครงข่ายประสาทเทียมเพื่อการพยากรณ์ค่าความเร็วรอบของการกระจายตัวอย่างสม่ำเสมออย่างแท้จริง (uniform suspension speed, Nus) ในถังผสม การวิจัยนี้ใช้ข้อมูลจากการออกแบบและใช้งานถังผสมของแข็งในของเหลวในภาคอุตสาหกรรมจริง จำนวน 1440 ข้อมูลสำหรับขั้นตอนที่ 1 และ 630 ข้อมูลสำหรับขั้นตอนที่ 2 ผลการศึกษา พบว่าโครงข่ายประสาทเทียมที่พัฒนาขึ้นมีวิธีการเรียนรู้แบบแพร่ย้อนกลับ ในขั้นตอนที่ 1 โครงข่ายประสาทเทียมสามารถวิเคราะห์และตัดสินใจปัจจัยที่เหมาะสมได้อย่างแม่นยำ โดยมีค่า R2 เท่ากับ 1.0 สำหรับขั้นตอนที่ 2 โครงข่ายประสาทเทียมสามารถพยากรณ์ค่าความเร็วรอบได้อย่างถูกต้องโดยมี ค่า R2 เท่ากับ 0.91 มีค่าความผิดพลาดเฉลี่ย 4.47 เปอร์เซ็นต์ ดังนั้นการนำโครงข่ายประสาทเทียมมาใช้เพื่อเป็นแบบจำลองในการออกแบบกระบวนการผสมที่วัตถุประสงค์เพื่อต้องการให้เกิดการกระจายตัวอย่างสม่ำเสมอของผงของแข็งในเหลว สามารถใช้งานได้เทียบเท่าการออกแบบโดยผู้ออกแบบจากบริษัทฯ ผู้ออกแบบระบบการผสมของเหลวได้
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารฯ ถือเป็นลิขสิทธิ์ของวารสารฯ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใดๆ จะได้รับอนุญาต แต่ห้ามนำไปใช้เพื่่อประโยชน์ทางธุรกิจ และห้ามดัดแปลง
เอกสารอ้างอิง
James Y Oldshue. Fluid mixing technology. New York: McGraw-Hill; 1983.
N Harnby, M F Edwards, A W Nienow. Mixing in the Process Industrials. British: A division of Reed Educational and Professional Publishing Ltd; 1985.
Edward L Paul, Suzanne M Kresta, Victor A Atiemo-Obeng. Handbook of Industrial Mixing. Canada: John Wiley & Sons Inc; 2004.
ขวัญชัย สินทิพย์สมบูรณ์, วิศิษฏ์ จาตุรมาน. กลศาสตร์ของไหล. พิมพ์ครั้งที่ 1. กรุงเทพฯ: ซีเอ็ดยูเคชั่น; 2552.
สมาน เจริญกิจพูลผล, มนตรี พิรุณเกษตร. กลศาสตร์ของไหลฉบับเสริมประสบการณ์. พิมพ์ครั้งที่ 1. กรุงเทพฯ: ซีเอ็ดยูเคชั่น; 2556.
Suzanne M Kresta, Arthur W Etchells III, David S Dickey, Victor A Atiemo-Obeng. Advances in Industrial Mixing. Canada: John Wiley & Sons Inc; 2016.
Choe Earn Choong, Shaliza Ibrahim, Ahmed El-Shafie. Artificial Neural Network (ANN) model development for predicting just suspension speed in solid-liquid mixing system. Flow Measurement and Instrumentation.2020; Volume71: 101689
Shaliza Ibrahimb, Choe Earn Choonga, Ahmed El-Shafiea. Sensitivity analysis of artificial neural networks for just-suspension speed prediction in solid-liquid mixing systems: Performance comparison of MLPNN and RBFNN. Advanced Engineering Informatics. 2019; Volume39; Pages 278-291
Jolanta Szoplik, Marta Ciuksza. Mixing time prediction with artificial neural network model. Chemical Engineering Science.2021; Volume246: 116949
กอบเกียรติ สระอุบล. เรียนรู้ Ai Deep Learning ด้วย Python. พิมพ์ครั้งที่ 1. กรุงเทพฯ: หสม สำนักพิมพ์ อินเตอร์มีเดีย; 2565.
วิริทธิ์พล เกษมสุข. การพัฒนาระบบโครงข่ายประสาทเทียมสำหรับทำนายจำนวนวันหยุดงานจากการเกิดอุบัติเหตุจากการทำงาน [วิทยานิพนธ์ ปริญญาวิทยาศาสตรมหาบัณฑิต]. ชลบุรี; มหาวิทยาลัยบูรพา; 2565
ศศิชา บุญเก่า. การจับความรู้สึกของคนจากใบหน้าด้วยเทคนิคปัญญาประดิษฐ์ [วิทยานิพนธ์ ปริญญาวิศวกรรมศาสตรมหาบัณฑิต]. กรุงเทพฯ; มหาวิทยาลัยเกษตรศาสตร์; 2562
วชิราภรณ์ แก้วมาตย์, สุรชัย จันทร์จรัส. การใช้โครงข่ายประสาทเทียมในการพยากรณ์ดัชนีราคาหลักทรัพย์. วารสารวิจัย มข. 2556; 108-118
เชาวน์ หิรัยตียะกุล. การประยุกต์ใช้โครงข่ายประสาทเทียมสำหรับการเตือนภัยน้ำท่วม. นครราชศรีมา: มหาวิทยาลัยเทคโนโลยีสุรนารี; มิถุนายน 2549: SUT7-712-46-12-41
จีราวุธ วารินทร์. มือใหม่ Python เก่งได้ใน 30 วัน. พิมพ์ครั้งที่ 1. กรุงเทพฯ: บริษัท พงษ์วรินการพิมพ์ จำกัด; 2565.
Koohathongsumrit N, Luangpaiboon P. An Integrated FAHP–ZODP Approach for Strategic Marketing Information System Project Selection. Managerial and Decision Economics. 2022; Vol. 43: 1792-1809
