Inżynieria Rolnicza 9(118)/2009 ZASTOSOWANIE MODELOWANIA NEURONOWEGO DO ANALIZY WPŁYWU DEPRESATORÓW NA LEPKOŚĆ SUROWEGO OLEJU RZEPAKOWEGO Gniewko Niedbała, Krzysztof Pilarski Instytut Inżynierii Rolniczej, Uniwersytet Przyrodniczy w Poznaniu Streszczenie. Celem pracy była budowa modelu neuronowego do analizy wpływu zastosowanych dodatków-depresatorów przeznaczonych do oleju napędowego, na lepkość kinematyczną surowego oleju rzepakowego. W pracy przedstawiono wyniki analiz zastosowanych depresatorów, które były dawkowane do 3% objętości, w różnych temperaturach otoczenia. Temperatury zostały tak dobrane, aby odzwierciedlały rzeczywiste warunki pracy silników w ciągnikach rolniczych i oscylowały od 10 o C do + 30 o C (ze stopniowaniem o 5 o C). Wytworzony model neuronowy miał za zadanie prognozować lepkość surowego oleju rzepakowego uwzględniając trzy parametry: rodzaj zastosowanego dodatku-depresatora, stężenie objętościowe oraz temperaturę otoczenia, w której mieszanina była poddawana badaniu na lepkość. Wyniki analizy wrażliwości sieci wskazały, że największy wpływ na lepkość ma temperatura otoczenia. Słowa kluczowe: olej rzepakowy, model neuronowy, depresator, biopaliwo, lepkość kinematyczna Wstęp W ostatnich latach obserwuje się znaczny wzrost zainteresowania możliwościami zastosowania alternatywnych źródeł energii. Spowodowane jest to przede wszystkim informacjami o kurczeniu się zasobów paliw kopalnianych takich jak ropa, gaz czy węgiel. Polskie i unijne prawodawstwo nakłada obowiązek udziału odnawialnych źródeł energii w procesie produkcji energii elektrycznej a także stosowania biokomponentów w produkcji paliw do zasilania pojazdów silnikowych. W związku z tym konieczne jest poszukiwanie nowych metod pozyskiwania i technologii produkcji paliw, które sprostają założonym planom ustawowym oraz przyczynią się do ochrony środowiska naturalnego. Efektem tego będzie niższa emisja do atmosfery substancji szkodliwych [Durbin i in. 2007; Durbin, Norbeck 2002; Knothe i in. 2006]. Taka perspektywa otwiera nowe możliwości zastosowania olei roślinnych jako paliw napędowych lub ich wysokiego udziału jako dodatków do oleju napędowego. W Polsce i za granicą prowadzone są badania nad zastosowaniem surowego oleju rzepakowego, estrów metylowych oleju rzepakowego (RME - Rapsed Methyl Esters) oraz mieszanin estrów RME z olejem napędowym [Jackowska i in. 2004; Szlachta 2002]. Ze względu na swoje właściwości, RME są dokładnie badane pod kątem przydatności do 331
Gniewko Niedbała, Krzysztof Pilarski zasilania silników wysokoprężnych [Dzieniszewski 2008; Wcisło 2008; Mayer 2005], co być może w niedalekiej przyszłości doprowadzić do upowszechnienia olei roślinnych jako paliwa. Zastosowanie nowoczesnych metod modelowania neuronowego znalazło zastosowanie w różnego rodzaju analizach dotyczących olejów roślinnych. Wesołowski i Suchacz [2001] zastosowali sztuczne sieci neuronowe do analizy oleju rzepakowego pod względem klasyfikacji jakościowej i określenia właściwości termicznych. Innym przykładem jest praca Ramadhas i in. [2006], w której autorzy za pomocą sieci neuronowej prognozowali liczbę cetanową dla biodiesla. Wykorzystano tu oprogramowanie MATLAB w celu budowy czterech rodzajów sieci MLP, RBF, GRNN oraz RNN. Charakterystyka olejów roślinnych Cząsteczki oleju roślinnego charakteryzują się inną budową niż cząsteczki oleju napędowego otrzymanego z przerobu ropy naftowej. W olejach roślinnych istotną grupę stanowią cząsteczki tłuszczów, które mają 16 i 18 atomów węgla, natomiast cząsteczki węglowodorów tworzące olej napędowy mają od 14 do 20 atomów węgla w cząsteczce. Wiązania nienasycone decydują o lepkości olejów roślinnych. Im więcej wiązań podwójnych tym lepkość jest mniejsza, co w zasadniczy sposób wpływa na płynność olejów roślinnych. Jest to z jednej strony bardzo korzystne, ponieważ im mniejsza lepkość tym temperatura krzepnięcia jest niższa, co pozwala na jego stosowanie w szerszym zakresie temperatur. Jednak im większa liczba wiązań podwójnych, tym cząsteczki olejów roślinnych łatwiej ulegają polimeryzacji, co powoduje, że powstają osady węglowe na elementach aparatury wtryskowej. Obecnie rozważa się, aby oleje roślinne stanowiły podstawową grupę surowców roślinnych do wytwarzania paliw płynnych. Jednak silniki o zapłonie samoczynnym (Diesla) były i są nadal budowane głównie do zasilania olejem napędowym i nie mogą być bez przekonstruowania zasilane olejami roślinnymi. Zastosowanie nieprzetworzonego oleju rzepakowego w silnikach o zapłonie samoczynnym z wtryskiem bezpośrednim (np. w ciągnikach) jest ograniczone. Wobec braku możliwości efektywnego i bezpośredniego wykorzystania oleju w istniejących silnikach, należałoby zmodyfikować paliwo olej rzepakowy, bądź konstrukcję silników [Szlachta 2002]. Cel i zakres pracy Z przedstawionych powyżej informacji wynika, że jednym z najistotniejszych warunków ograniczających zastosowanie surowego oleju rzepakowego jako paliwa, jest jego wysoka lepkość kinematyczna w dolnym zakresie temperatur użytkowych dla ciągników rolniczych. Jedynie obecnie stosowanym sposobem zmniejszenia tej lepkości jest podgrzewanie oleju w układzie zasilania, co wymaga jednak modyfikacji tego układu. Aby tych modyfikacji uniknąć zrodził się pomysł obniżenia lepkości oleju rzepakowego poprzez dodanie do niego substancji chemicznych, które spowodowałyby obniżenie całkowitej lepkości oleju rzepakowego. W związku z powyższym celem pracy jest udzielenie odpowiedzi na pytanie czy i w jakim stopniu wybrane dodatki mogą obniżyć lepkość kinematyczną oleju rzepakowego? 332
Zastosowanie modelowania neuronowego... Aby cel ten osiągnąć należało zrealizować następujący zakres badań. Wyselekcjonować dodatki, odnośnie których można było przypuszczać, że obniżą lepkość oleju rzepakowego i po drugie - wykonać badania porównawcze lepkości oleju rzepakowego i lepkości oleju z dodatkiem (depresatorem) w zakresie eksploatacyjnych temperatur ciągników rolniczych. Skład depresatorów jest różny. Mogą to być wielkocząsteczkowe polimery, jak również małe cząsteczki różnych związków chemicznych. Najczęściej są to produkty kondensacji, polimeryzacji lub produkty utleniania. Zasadniczym zadaniem depresatorów jest blokowanie powstawania dużych aglomeratów parafin, które to wydzielają się z oleju napędowego w niskich temperaturach i prowadzą do zablokowania filtra paliwa, co w konsekwencji uniemożliwia uruchomienie silnika. Niektóre depresatory mogą pełnić również funkcję wiskozatorów. Jest to uzależnione od składu chemicznego danego depresatora. Materiał i metoda budowy modelu neuronowego Celem pracy była analiza możliwości zastosowania metod modelowania neuronowego do predykcji lepkości kinematyczną surowego oleju rzepakowego po zastosowaniu wybranych depresatorów przeznaczonych do oleju napędowego. Badania przeprowadzono dla pięciu depresatorów dostępnych na rynku krajowym: Diesel Skydd, Xeramic, STP, Shell, Bioline oraz alkoholu izopropylowego. Łącznie do budowy mieszanin użyto sześć substancji. Dane empiryczne uzyskano w trakcie pomiarów w temperaturach od 10 o C do + 30 o C (ze stopniowaniem o 5 o C) oraz różnymi stężeniami objętościowymi dodatków (depresatorów) t.j. 0% (nie zastosowano dodatku), 0,25%, 0,50%, 1,00%, 1,50% i 3,00%. W pierwszym etapie modelowania użyto APS w celu określenia optymalnej topologii sieci dla wybranego zagadnienia przetestowano 1000 różnego rodzaju sieci neuronowych. Model neuronowy wytworzono w programie Statistica v7.1. i ostatecznie oparto go na sieci czterowarstwowej MLP z trzema wejściami oraz jednym wyjściem 3:8-30-11-1:1 (rys. 1). Rys. 1. Fig. 1. Struktura wytworzonej sieci neuronowej o topologii MLP Structure of build MLP neural network 333
Gniewko Niedbała, Krzysztof Pilarski Jako wejścia posłużyły dane empiryczne w postaci: rodzaju depresatora Depresator (zmienna lingwistyczna), temperatury w której wykonywano pomiar lepkości temp oraz stężenia objętościowego depresatora DEPR% ; łącznie 296 przypadków. Na wyjściu sieci znajdowała się zmienna charakteryzująca lepkość badanych mieszanin lepkość. W związku z zastosowaniem sześciostanowej cechy niezależnej Depresator zastosowano konwersję metodą Jeden-z-N, co pozwoliło na preprocessing wartości tej cechy i przedstawienie jej w zrozumiały sposób dla sieci. Na rys. 1 przedstawiono wejście sieci Depresator wraz z sześcioma stanami, które wchodziły w skład pierwszej warstwy. Struktura wytworzonej sieci składała się z czterech warstw, z których druga (30 neuronów) i trzecia (11 neuronów) to warstwy ukryte. Natomiast warstwa pierwsza to warstwa wejściowa (8 neuronów), a warstwa czwarta (1 neuron) to warstwa wyjściowa. We wszystkich warstwach zastosowano liniową funkcję agregującą, natomiast funkcje aktywacji dla poszczególnych warstw różniły się. Pierwsza warstwa posiadała liniową funkcję aktywacji, druga i trzecia hiperboliczną. Ostatnia, czwarta warstwa, przyjęła logistyczną funkcję aktywacji. Interpretację wyjścia sieci wyznaczono jako jej błąd, natomiast funkcję błędu przyjęto jako sumę kwadratów. Zastosowano standardowy podział zbiorów 1-0,5-0,5. Zbiór uczący stanowił 148 przypadków, a zbiory testujący i walidacyjny po 74 przypadki. Sieć była uczona dwuetapowo; w pierwszym etapie metodą wstecznej propagacji błędu przez 100 epok, w drugiej fazie metodą gradientów sprzężonych 163 epoki. Przebieg procesu uczenia dla zbiorów uczącego i walidacyjnego pokazano na rys. 2. Rys. 2. Fig. 2. Wykres uczenia sieci Graph of network learning 334
Zastosowanie modelowania neuronowego... Po wytworzeniu i nauczeniu sieci neuronowej wykonano analizę wrażliwości sieci, która wskazała wagę analizowanych cech wpływających na lepkość surowego oleju rzepakowego z dodatkiem depresatora. Na pierwszym miejscu znalazła się temperatura temp iloraz 9,39, na drugim miejscu znalazło się stężenie objętościowe DEPR% iloraz 1,61. Statystyki dla zbudowanej sieci wykazały, iż średni błąd dla poszczególnych zbiorów (uczącego, walidacyjnego, testowego) kształtował się na poziomie 0,02 a współczynnik korelacji r wyniósł 0,993. Iloraz odchyleń standardowych wyniósł 0,111, natomiast średni błąd bezwzględny uzyskał wartość 0,756. Uzyskane parametry sieci neuronowej świadczą o poprawnym jej zbudowaniu i nauczeniu. Otrzymane błędy predykcji sieci, wykazują poprawność jej działania. Podsumowanie Oleje roślinne, w tym surowy olej rzepakowy, mogą być stosowane w przemyśle jako biokomponent do oleju napędowego lub jako samodzielne paliwo. Dużym ograniczeniem jest temperatura w jakich oleje roślinne mogą być zastosowane do zasilania silników ZS. W niskich temperaturach (już poniżej 5 o C) lepkość kinematyczna gwałtownie wzrasta, co powoduje skuteczne zatrzymanie pracy silnika. Jedynym obecnie stosowanym rozwiązaniem tego problemu, są specjalne układy podgrzewające, które wymagają modernizacji układu zasilania w pojeździe. Alternatywną metodą jest zastosowanie środków chemicznych powodujących obniżenie lepkości kinematycznej oleju roślinnego. Zatem nie ma potrzeby stosowania dodatkowych i kosztownych układów zasilających. W pracy wytworzono model neuronowy, prognozujący lepkość kinematyczną surowego oleju rzepakowego pod wpływem trzech parametrów: rodzaju depresatora, temperatury otoczenia oraz procentowej zawartości depresatora. Najważniejszą cechą wpływającą na lepkość surowego oleju rzepakowego jest temperatura otoczenia. To ona w największym stopniu determinuje jego zastosowanie jako paliwa. Kolejną cechą pod względem istotności jest stężenie objętościowe zastosowanego depresatora. Wytworzenie opisanego modelu neuronowego pozwala na znaczne zmniejszenie kosztów prowadzonych badań laboratoryjnych. Jednakże dla zwiększenia dokładności modelu wskazane jest przeprowadzenie dodatkowych badań lepkości pod względem zastosowania większych stężeń objętościowych różnych depresatorów. W dalszych badaniach należy zastanowić się nad budową zbioru uczącego, który będzie zawierał skład chemiczny analizowanych depresatorów. Umożliwi to szczegółową analizę poszczególnych pierwiastków lub związków chemicznych wpływających na badany efekt końcowy. Bibliografia Durbin T. D., Cocker III D. R., Sawant A. A., Johnson K., Miller J. W., Holden B. B. 2007. Regulated emissions from biodiesel fuels from on/off-road applications. Atmospheric Environment 41, s. 5647-5658. Durbin T. D., Norbeck J. M. 2002. Effects of biodiesel blends and Arco EC-diesel on emissions from light heavy-duty diesel vehicles. Environmental Science & Technology, 36. s. 1686-1691. 335
Gniewko Niedbała, Krzysztof Pilarski Dzieniszewski G. 2008. Wybrane problemy stosowania biopaliw do zasilania silników z zapłonem samoczynnym. Inżynieria Rolnicza. Nr 10(108). Kraków. s. 39-45. Jackowska I., Krasucki W., Piekarski W., Tys J., Zając G. 2004. Rzepak z pola do baku. Państwowe Wydawnictwa Rolnicze i Leśne. Warszawa. ISBN 83-09-01781-2. Knothe G., Sharp C. A., Ryan T.W. 2006. Exhaust emissions of biodiesel, petrodiesel, neat methyl esters, and alkanes in a new technology engine. Energy & Fuels 20. s. 403-408. Mayer A., Czerwinski J., Wyser M., Mattrel P., Heitzer A. 2005. Impact of RME/diesel blends on particle formation, particle filtration, and PAH emissions. SAE Technical Paper 2005-01-1728. Ramadhas A.S., Jayaraj S., Muraleedharan C., Padmakumari K. 2006. Artificial neural networks used for the prediction of the cetane number of biodiesel. Renewable Energy 31. s. 2524-2533. Szlachta Z. 2002. Zasilanie silników wysokoprężnych paliwami rzepakowymi. Wydawnictwo Komunikacji i Łączności. Warszawa. ISBN: 83-20-61459-7. Wcisło G. 2008. Wyznaczenie wpływu temperatury na lepkość dynamiczną biopaliw roślinnych. Inżynieria Rolnicza. Nr 10(108). Kraków. s. 277-282. Wesołowski M., Suchacz B. 2001. Classification of rapeseed and soybean oils by use of unsupervised pattern-recognition methods and neural networks. Fresenius J Anal Chem 371 s. 323-330. THE APPLICATION OF NEURAL MODELLING TO THE INFLUENCE S ANALYSIS OF DEPRESSERS ON THE VISCOSITY OF RAW RAPESEED OIL Abstract. The aim of the work was to build the neural model of analysis influences applied depressers of diesel oil on the viscosity of raw rapeseed oil. The analyse showed results applied depressers which were dosed to 3% volumes in the various temperatures of surroundings. The chosen temperatures showed the real conditions of the work of engines reflected in agricultural tractors and oscillated from -10 o C to +30 o C (with graduating about 5 o C). There were three parameters predicted: kind applied depresatora, volumetric concentration and the temperature of the surroundings which in investigated viscosity of mixture. It results from the study that the temperature of surroundings had the largest influence on viscosity of raw rapeseed oil. Key words: rapeseed oil, neural model, depresser, biofuel, kinematic viscosity Adres do korespondencji: Gniewko Niedbała; e-mail: gniewko@up.poznan.pl Uniwersytet Przyrodniczy w Poznaniu Instytut Inżynierii Rolniczej ul. Wojska Polskiego 50 60-627 Poznań 336