عنوان

مدل‌سازی اثر همزن در فرآیند تولید بیوگاز در هضم بی‌هوازی با روش‌های مبتنی بر شبکه عصبی

پ۲۸۲۵۲

per

مدل‌سازی اثر همزن در فرآیند تولید بیوگاز در هضم بی‌هوازی با روش‌های مبتنی بر شبکه عصبی

رضا فردرزم

کشاورزی

۱۴۰۱

۱۰۴ص.

سی دی

کارشناسی ارشد

مهندسی مکانیک بیوسیستم گرایش انرژی‌های تجدیدپذیر

۱۴۰۱/۱۱/۱۷

با افزایش مصرف و هزینه‌های انرژی، نیاز به دیگر منابع انرژی مانند انرژی‌های تجدیدپذیر بیشتر شده است. سوخت‌های زیستی مانند بیوگاز یکی از این منابع انرژی‌ تجدیدپذیر است. بیوگاز از فرآیند هضم زیست‌توده در شرایط بی‌هوازی توسط باکتری‌های متان‌ساز بدست می‌آید. در این فرآیند، پارامترهای متعدد مختلفی مانند pH، دمای محیط، نسبت کربن به ازت و غیره می‌توانند تاثیرگذار باشند. همچنین زمان‌بر و هزینه‌بر بودن پروسه تولید بیوگاز، حجم و ابعاد بزرگ مخازن و پیچیدگی و هزینه‌های‌ بالای طراحی، ساخت و نصب سیستم، مهندسین را ملزم می‌کند تا درک عمیق و کاملی از این فرآیند داشته و مدل دقیقی برای پارامترهای موثر در آن تعریف کنند.در اين پژوهش، به بررسی اثر سرعت همزنی (rpm) در عملکرد تولید بیوگاز و امکان‌سنجی مدل‌سازی فرآیند هضم بی‌هوازی با شبکه‌های عصبی مصنوعی پرداخته شده است. داده‌های تجربی مورد استفاده، از طریق بارگذاری فضولات گاوی در هاضم بی‌هوازی در طی سه تیمار با سرعت‌های همزنی متفاوت صفر، 100 و 150 دور بر دقیقه بدست آمد. میزان تولید بیوگاز در تیمارهای همزن‌دار، بیشتر از تیمار بدون همزنی مشاهده شد. اما اثر همزنی بیش از حد، مضر بوده و مقدار بیوگاز بدست آمده در دور همزنی 150 کمتر از دور 100 بود. در طراحی شبکه‌های عصبی، پارامترهای ورودی زمان‌ماند (روز)، دمای مخزن، سرعت همزنی و همچنین برای پارامترهای خروجی نیز نرخ تولید بیوگاز و درصد متان روزانه انتخاب شدند. با توجه به نوع مسئله و داده‌های تجربی بدست آمده، انواع مختلف شبکه عصبی، شامل نوع و چیدمان شبکه، بررسی شدند. اعتبارسنجی شبکه‌ها از طریق محاسبه خطای جذر میانگین مربعات و ضرایب همبستگی و تعیین انجام گرفت. برای پیش‌بینی میزان بیوگاز تولید شده، شبکه عصبی که با توابع عضویت گاوسی و الگوریتم یادگیری ترکیبی طراحی شده بود، مناسب‌ترین شبکه تشخیص داده شد. همچنین برای پیش‌بینی درصد متان روزانه، شبکه عصبی که با توابع عضویت زنگی‌شکل تعمیم‌یافته و الگوریتم یادگیری ترکیبی طراحی شده بود، انتخاب گردید.

Abstract:With the increase in energy prices and consumption, the need for other sources of energy such as renewable energy has increased. Biofuels such as biogas are one of these renewable energy sources. Biogas is obtained from the process of biomass digestion in anaerobic conditions by methanogenic bacteria. Many different factors can affect anaerobic digestion, such as pH, ambient temperature, Carbon-Nitrogen ratio, Toxicity and etc. Also, the time-consuming and costly nature of the biogas production process, the large volume and dimensions of the bio-reactors and their tanks, and the complexity and high costs of designing, building and installing these systems require engineers to have a deep and complete understanding of this process beforehand and define a precise mathematical and biochemical model for these factors and parameters. In this research, the effect of stirring speed on the performance of biogas production and the feasibility of modeling the anaerobic digestion process with artificial neural networks have been investigated. The experimental data used were obtained by loading cow waste in the anaerobic digester during three treatments with different mixing speeds of zero, 100 and 150 rpm. The amount of biogas production in the treatments with stirring was observed to be more than the treatment without stirring. But the effect of excessive speeds of stirring is harmful and the amount of biogas produced in the 150 rpm stirring treatment was less than that of the 100 rpm treatment. In designing the neural networks, the input parameters of Residence time (days), tank temperature (°C), stirring speed (rpm), and also for the output parameters, Daily biogas production rate (lit./day) and Daily methane percentage were considered. According to the question and experimental data obtained, different types of neural networks, such as different types or arrangements, were investigated. Validation of the networks was done by calculating the root mean square error, correlation coefficient and determination coefficient. It was determined that the neural network, designed with Gaussian membership functions and Hybrid learning algorithm, was the most suitable type of network to predict the parameter of the amount of biogas produced. Also the neural network which was designed with Generalized bell-shaped membership functions and Hybrid learning algorithm was most suitable to predict the daily methane percentage parameter.

Modeling of agitator effect in biogas production in anaerobic digestion with neural network methods

‏فردرزم‏،

رضا ‏

تهیه کننده

‏جلالی،

عبدی،

‏آرمان ‏

رضا ‏

استاد راهنما

استاد راهنما

تبریز