การผลิตและการทำนายค่าความร้อนสูงสุดของถ่านชีวภาพจากซังข้าวโพดโดยใช้เทคนิคการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มุ่งศึกษาการปรับปรุงคุณภาพของชีวมวลซังข้าวโพดทางการเกษตรด้วยกระบวนการทอร์ริแฟคชัน (Torrefaction) เพื่อเพิ่มศักยภาพในการใช้เป็นเชื้อเพลิงชีวมวลแข็ง โดยออกแบบและจำลองกระบวนการด้วยโปรแกรม Aspen Plus V12.1 และ Design Expert V13.0 โดยพิจารณาปัจจัยหลัก 4 ตัว ได้แก่ ขนาดอนุภาคชีวมวล อัตราการไหลของแก๊สไนโตรเจน อุณหภูมิ และเวลา โดยมีค่าความร้อนสูงสุด (HHV) เป็นตัวแปรตอบสนอง ผลการทดลองพบว่าเงื่อนไขที่ให้ค่าความร้อนสูงสุดคือ ขนาดชีวมวล 20 เมช อัตราการไหลของแก๊สไนโตรเจน 30 มล.ต่อนาที อุณหภูมิ 280 °C และเวลา 60 นาที ให้ค่าความร้อนสูงสุด 19.3945 เมกะจูลต่อกิโลกรัม โดยมีค่าคลาดเคลื่อนเฉลี่ย 2.37% การวิเคราะห์ด้วย Design Expert พบสภาวะที่เหมาะสมที่สุดคือ ขนาดชีวมวล 57.60 เมช อัตราการไหลของแก๊สไนโตรเจน 27.40 มล.ต่อนาที อุณหภูมิ 318.40 °C และเวลา 66 นาที ให้ค่าความร้อนสูงสุด 18.4853 เมกะจูลต่อกิโลกรัม การใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) เพื่อทำนายค่าความร้อนสูงสุดพบว่า แบบจำลอง XGBoost (XGB) มีความแม่นยำสูงสุด 97.53% โดยปริมาณคาร์บอนเป็นปัจจัยที่มีผลเชิงบวกมากที่สุด ผลการศึกษาชี้ให้เห็นว่าการผสานการจำลองกระบวนการกับการเรียนรู้ของเครื่องเป็นแนวทางที่มีประสิทธิภาพในการคาดการณ์และเพิ่มประสิทธิภาพของกระบวนการทอร์ริแฟคชันของชีวมวลซังข้าวโพด ซึ่งสามารถสนับสนุนการพัฒนาเชื้อเพลิงชีวมวลแข็งคุณภาพสูงได้อย่างยั่งยืน
Article Details
เอกสารอ้างอิง
ปนัดดา อินทร์ดำ, โชคชัย เหมือนมาศ, และสุกฤทธิรา รัตนวิไล. (2562).การคัดเลือกปัจจัยที่ส่งผลต่อกระบวนการทอร์ริแฟคชันของทะลายปาล์มโดยใช้การออกแบบการทดลองด้วย. วารสารวิจัยมหาวิทยาลัยขอนแก่น (ฉบับบัณฑิตศึกษา), 19(4), 86–99.
ธนศิษฏ์ วงศ์อำนวย. (2562, 26 ตุลาคม). การผลิตถ่านชีวภาพหรือไบโอชาร์ และการใช้ไบโอชาร์. มหาวิทยาลัยแม่โจ้. https://erp.mju.ac.th/acticleDetail.aspx?qid=1072.
Box, G. E. P., & Behnken, D. W. (1960). Some new three level designs for the study of quantitative variables. Technometrics, 2(4), 455–475. https://doi.org/10.1080/00401706.1960.10489912
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
Chen, Z., Pears, N., Freeman, M., & Austin, J. (2009). Road vehicle classification using support vector machines. IEEE International Conference on Intelligent Computing and Intelligent Systems, 2009,214–218. https://doi.org/10.1109/ICICISYS.2009.5357707
Kartal, F., & Ozveren, U. (2020). A deep learning approach for prediction of syngas lower heating valuefrom CFB gasifier in Aspen Plus. Energy, 209, 118457. https://doi.org/10.1016/j.energy.2020.118457
Katongtung, T., Onsree, T., & Tippayawong, N. (2022). Machine learning prediction of biocrude yields and higher heating values from hydrothermal liquefaction of wet biomass and wastes. Bioresource Technology, 344, 126278. https://doi.org/10.1016/j.biortech.2021.126278
Tuychiev, B. (2023, 23 February). Using XGBoost in Python Tutorial. https://www.datacamp.com/community/tutorials/xgboost-in-python
Nhuchhen, D. R., Basu, P., & Acharya, B. (2014). A comprehensive review on biomass torrefaction. International Journal of Renewable Energy & Biofuels, 2014(2014), 1–56. https://doi.org/10.5171/2014.506376
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Zaman, S. A., & Ghosh, S. (2021). A generic input-output approach in developing and optimizing an Aspen Plus steam-gasification model for biomass. Bioresource Technology, 337, 125412. https://doi.org/10.1016/j.biortech.2021.125412
