แบบจำลองที่ขับเคลื่อนด้วยข้อมูลสำหรับการทำนายอุณหภูมิของหัวเผาชีวมวล
คำสำคัญ:
หัวเผาชีวมวล, แบบจำลองทางพลศาสตร์, แบบจำลองที่ขับเคลื่อนด้วยข้อมูลบทคัดย่อ
หัวเผาชีวมวลถูกนำมาใช้กันอย่างแพร่หลาย เนื่องจากเป็นการใช้พลังงานทดแทน ช่วยขจัดปัญหาเศษวัสดุเหลือใช้ทางการเกษตร และลดปัญหาสิ่งแวดล้อม อุณหภูมิเปลวไฟจากหัวเผาชีวมวลถือเป็นตัวแปรที่สำคัญในการบ่งบอกถึงเสถียรภาพและประสิทธิภาพของหัวเผาชีวมวล ดังนั้นงานวิจัยนี้จึงนำเสนอการทำนายอุณหภูมิเปลวไฟของหัวเผาชีวมวลด้วยแบบจำลองที่ขับเคลื่อนด้วยข้อมูล โดยอินพุตของแบบจำลอง คือ อุณหภูมิภายในเตาผลิตแก๊ส อุณหภูมิของแก๊สเชื้อเพลิงสังเคราะห์ และค่าอัตราส่วนสมมูล ส่วนเอาท์พุต คือ อุณหภูมิเปลวไฟของหัวเผาชีวมวล ในการทดลองจะทำการเปรียบเทียบประสิทธิภาพการทำนายระหว่างแบบจำลองชนิดโครงข่ายประสาทเทียมแบบถดถอยอัตโนมัติไม่เป็นเชิงเส้นร่วมกับข้อมูลอินพุตภายนอก (NARXNN) กับ แบบจำลองชนิดวิธีพื้นผิวตอบสนอง (RSM) จากผลการทดลองพบว่า แบบจำลองชนิด NARXNN ให้ผลการทำนายที่ดีกว่าแบบจำลองชนิด RSM โดยมีค่าความผิดพลาดกำลังสองเฉลี่ย (MSE) = 0.6859 และค่าสัมประสิทธิ์สหสัมพันธ์ (R) = 0.9999 ในช่วงของข้อมูลสำหรับการสอน และ ค่า MSE = 0.7979 และค่า R = 0.9999 ในช่วงของข้อมูลสำหรับการทดสอบ สาเหตุที่ทำให้ผลการทำนายดีกว่าเพราะโครงสร้างของแบบจำลองมีความซับซ้อนกว่าและมีการนำข้อมูลของตัวแปรในอดีตมาใช้เพื่อเพิ่มความแม่นยำในการทำนาย
Downloads
เอกสารอ้างอิง
Caputo, A. C., Palumbo, M., Pelagagge, P. M., and Scacchia, F. (2005). Economics of biomass energy utilization in combustion and gasification plants: Effect of logistic variable. Biomass and Bioenergy, 28(1), 35-51.
Yang, Y. B., Sharifi, V. N., and Swithenbank, J. (2004). Effect of air flow rate and fuel moisture on the burning behaviours of biomass and simulated municipal solid wastes in packed beds. Fuel, 83(11-12), 1553-1562.
Babu, B. V., and Sheth, P. N. (2004). Modeling and simulation of downdraft biomass gasifier. In Proceedings of International Symposium & 57th Annual Session of IIChE in association with AIChE (CHEMCON-2004). pp. 170-176. Mumbai.
Chum, H. L., and Overend, R. P. (2001). Biomass and Renewable Fuels. Fuel Processing Technology, 71(1-3), 187-195.
Schuster, G., Löffler, G., Weigl, K., and Hofbauer, H. (2001). Biomass steam gasification - An extensive parametric modeling study. Bioresource Technology, 77(1), 71-79.
Garcı´a-Bacaicoa, P., Serrano, S., Berrueco, C., and Ceamanos, J. (2004). Study on the gasification of sewage sludge for power production in a dual fueled engine. In The 2nd World Conf. and Technology Exhibition on Biomass for Energy, Industry and Climate Protection. Roma.
Altafini, C. R., Wander, P. R., and Barreto, R. M. (2003). Prediction of the working parameters of a wood waste gasifier through an equilibrium model. Energy Conversion and Management, 44(17), 2763-2777.
Sharma, A. K. (2011). Modeling and simulation of a downdraft biomass gasifier 1. Model development and validation. Energy Conversion and Management, 52(2), 1386-1396.
Baruah, D., and Baruah, D. C. (2014). Modeling of biomass gasification: A review. Renewable and Sustainable Energy Reviews, 17(39), 806-815.
Del Rio-Chanona, E. A., Ahmed, N. R., Wagner, J., Lu, Y., Zhang, D., and Jing, K. (2019). Comparison of physics-based and data-driven modelling techniques for dynamic optimisation of fed-batch bioprocesses. Biotechnol Bioeng, 116(11), 2971-2982.
Marino D. L., Anderson, M.; Kenney, K., and Manic, M. (2018). Interpretable Data-Driven Modeling in Biomass Preprocessing. In The 11th International Conference on Human System Interaction (HSI). pp. 291-297. Poland.
Simorgh, A., Razminia, A., and Shiryaev, V. I. (2019). Data-driven identification of a continuous type bioreactor. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 44(1), 2345-2373.
Cau, G., Tola, V., and Pettinau, A. (2015). A steady state model for predicting performance of small‐scale up-draft coal gasifiers. Fuel, 152, 3-12.
Mutlu, A. Y., and Yucel, O. (2018). An artificial intelligence based approach to predicting syngas composition for downdraft biomass gasification. Energy, 165, 895-901.
Satonsaowapak, J., Ratniyomchai T., Kulworawanichpong, T., Pao-La-Or, P., Marungsri, B., and Oonsivilai, A. (2010). Gasifier system identification for biomass power plants using response surface method. WSEAS Transactions on Systems, 9(6), 320-325.
Faridi, I. K., Tsotsas, E., Heineken, W., Koegler, M., and Kharaghani, A. (2021). Dynamic Modeling for Temperature Prediction in a Fluidized Bed Biomass Gasification Process. SSRN Electronic Journal, Retrieved November 15, 2021, from https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3888677
Cerinski, D., Baleta, J., Mikulčić, H., Mikulandrić, R., and Wang, J. (2020). Dynamic modelling of the biomass gasification process in a fixed bed reactor by using the artificial neural network. Cleaner Engineering and Technology, 1, Article 100029.
Pimparat, T., Tumruangsri, P., and Sandod, S. (2017). Development of Agricultural Residue Biomass Pellet Burner. in Engineering Project Report, B. Eng. (Mechanical Engineering). Faculty of Engineering, Srinakharinwirot University.
Diaconescu, E. (2008). The Use of NARX Neural Networks to Predict Chaotic Time Series. WSEAS Transactions on computer research, 3(3), 182-191.
Haykin, S. (1994). Neural networks, A Comprehensive Foundation. New Jersey. Prentice Hall.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2023 วารสารมหาวิทยาลัยศรีนครินทรวิโรฒ (สาขาวิทยาศาสตร์และเทคโนโลยี)
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารมหาวิทยาลัยศรีนครินทรวิโรฒ สาขาวิทยาศาสตร์และเทคโนโลยี อยู่ภายใต้การอนุญาต Creative Commons Attribution-NonCommercial-NoDerivs 4.0 International (CC-BY-NC-ND 4.0) เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดอ่านหน้านโยบายของวารสารสำหรับข้อมูลเพิ่มเติมเกี่ยวกับการเข้าถึงแบบเปิด ลิขสิทธิ์ และการอนุญาต
