Inżynera Rolncza 3(121)/2010 PREDYKCJA ZMIAN TEMPERATURY DLA ZŁOŻA KOMPOSTU W ZALEŻNOŚCI OD STOPNIA NAPOWIETRZENIA PRZY POMOCY SZTUCZNYCH SIECI NEURONOWYCH Macej Neugebauer, Janusz Pechock, Potr Sołowej Katedra Elektrotechnk Energetyk, Unwersytet Warmńsko-Mazursk w Olsztyne Streszczene. Efektywność procesu kompostowana zależy od welu czynnków. Jednym z nch jest ntensywność napowetrzana złoża kompostu. Równeż zmana temperatury procesu w czase jest ważnym czynnkem warunkującym jakość uzyskanego kompostu oraz wpływa równeż na czas trwana procesu kompostowana. W ramach przeprowadzonych badań kompostowano materał bologczny pochodzena rolnczego dla różnych wartośc ntensywnośc napowetrzana. W ramach badań merzono równeż zmany temperatury w złożu kompostu w czase kompostowana. Uzyskane dane zostały następne wykorzystane do uczena sztucznych sec neuronowych (SSN). Wybrane SSN (o najnższych wartoścach błędów) zostały następne wykorzystane do przewdywana zman temperatury w złożu kompostu czasu trwana procesu kompostowana dla nnych wartośc napowetrzana złoża. Słowa kluczowe: kompostowane, sztuczne sec neuronowe, napowetrzane Wstęp Proces kompostowana, jeżel ma być wykorzystywany w praktyce jako metoda utylzacj bomasy odpadowej, mus trwać jak najkrócej. Przebeg procesu kompostowana składa sę z trzech faz: mezoflnej, termoflnej oraz wychładzana dojrzewana. W faze termoflnej temperatura wewnątrz złoża może osągnąć wartość 80 o C [Guarda 2006], wzrost temperatury jest uzależnony od welu czynnków jednym z nch jest napowetrzane złoża [Bar nn 2000; Eknc nn 2004; Sołowej 2007]. Czas trwana procesu kompostowana jest funkcją welu czynnków, jednym z nch jest napowetrzane złoża. Przy optymalnej wartośc napowetrzana, można uzyskać najkrótszy czas kompostowana. Przy zbyt nskm napowetrzanu, czas kompostowana sę wydłuży a przy zbyt dużym, może w ogóle ne dojść do rozpoczęca procesu, z uwag na wyprowadzene zbyt dużej lośc cepła za złoża, co unemożlw rozpoczęce fazy termoflnej w konsekwencj procesu kompostowana. Właścwe dobrane ntensywnośc napowetrzana jest kluczowe dla całego przebegu procesu przy ustalonym składze wsadu [Dach 2007]. Badana empryczne w boreaktorach są czasochłonne, doprowadzene procesu do końca fazy termoflnej wymaga często dwóch tygodn czasu. Próbą rozwązana tego problemu 151
Macej Neugebauer, Janusz Pechock, Potr Sołowej może być modelowane neuronowe zman temperatury w złożu oraz czasu trwana procesu kompostowana. Sztuczne Sec Neuronowe (SSN) w śwetle badań lteraturowych wydają sę dobrym narzędzem do rozwązywana problemów klasyfkacj, regresj czy predykcj [Jack n. 2002; Lao n. 2004]. Budowa modelu neuronowego wymaga danych emprycznych na podstawe których, SSN będą uczone [Dach n. 2001; Neugebauer nn 2007; Partov n. 2002]. Modelowane neuronowe obejmuje wele różnych typów model: sec radalne, typu perceptron, kohonena nne. Budując modele neuronowe należy przebadać różne typy sec aby wybrać tę która w najlepszym stopnu rozwązuje dany problem, por. np. [Boneck 2002]. Cel zakres pracy Celem pracy było zbudowane modelu neuronowego procesu kompostowana bomasy pochodzena rolnczego umożlwającego przewdywane temperatury osąganej w złożu czasu trwana procesu kompostowana w zależnośc od ntensywnośc napowetrzana złoża przy ustalonym składze wsadu. Zakres pracy obejmował: budowę stanowska do kompostowana bomasy pochodzena rolnczego; przeprowadzene procesu kompostowana dla różnych ntensywnośc napowetrzana złoża; budowa modelu neuronowego, wykorzystującego SSN, umożlwającego przewdywane zman temperatury w złożu czasu trwana procesu kompostowana w zależnośc od ntensywnośc napowetrzana złoża; na podstawe uzyskanych danych z badań emprycznych uczene SSN, a następne przewdywane zman temperatury czasu trwana procesu dla nnych wartośc napowetrzana. Badana empryczne budowa modelu neuronowego Badana empryczne prowadzono na stanowsku zbudowanym w katedrze, pokazanym schematyczne na rys. 1 rys. 2. W ramach badań eksperymentalnych zbadano czas zmany temperatury w czase kompostowana dla czterech wartośc ntensywnośc napowetrzana dla takch samych wsadów boreaktora, którym była posekana śweża kapusta. Badana przeprowadzono dla czterech różnych wartośc napowetrzana wynoszących odpowedno: 5; 7; 7,5 oraz 10 l mn -1. Uzyskane wynk zostały następne użyte do symulacj neuronowej czasu temperatury procesu kompostowana. Do symulacj neuronowych wykorzystano program Statstca 8. 152
Predykcja zman temperatury... Rys. 1. Fg. 1. Schemat stanowska pomarowego. 1 boreaktor, 2 pompa, 3 zawór, 4 przepływomerz, 5 zbornk na odcek,6 zbornk na skroplny,7 komputer, 8 źródło wody, 9 odpływ wody, 10 chłodnca, 11 odstojnk, 12 analzator gazu, 13 wylot gazu. [Przekop 2009] Measurement setup dagram. 1 boreactor, 2 pump, 3 valve, 4 flowmeter, 5 effluent tank, 6 condensate tank, 7 computer, 8 water source, 9 water outlet, 10 cooler, 11 sedmentaton tank, 12 gas analyser, 13 gas outlet [Przekop 2009] Rys. 2. Fg. 2. Budowa stanowska pomarowego [Przekop 2009] Measurement setup desgn [Przekop 2009] 153
Macej Neugebauer, Janusz Pechock, Potr Sołowej Testowano różne sec neuronowe typu Mult Layer Perceptron (MLP) dla trzech warstw różnej lczbe neuronów w warstwe ukrytej neuronów. Algorytm uczena BFGS (Droyden-Fletcher-Goldfarb-Shanno). Funkcje aktywacj wykładncza, lnowa, tanh, snh, logstyczna; - oraz radalne sec bazowe (RBF), aktywacją gaussowską warstwy ukrytej lnową warstwy wyjścowej. Funkcję błędu wylczano metodą (SOS - sum of squares) sumy kwadratów różnc (1) dla sec MLP dla sec RBF metodą SOS CE (Cross Entropy funkcja błędu w postac entrop wzajemnej) wzór nr 2. gdze: E E SOS CE = = n = 1 n = 1 2 ( y t ) (1) y t ln (2) t y przewdywane sec; t wartość rzeczywsta. Następne dla SSN o najnższym błędze (jakość uczena na pozome 0,85 wyżej uzyskano dla sec typu RBF uczena sec był mnejszy nż 0,1, dla sec MLP uzyskano bardzo duże błędy waldacj, węc ne wykorzystano ch do dalszych badań wybrane wynk pokazano w tabel 1) wykonano predykcję czasu trwana fazy termoflnej rozkładu temperatury w trakce procesu dla nnych (które ne były badane w rzeczywstośc) wartośc ntensywnośc napowetrzana. Na rysunku 3 pokazano predykcję czasu trwana procesy kompostowana godznach wykonaną dla różnych SSN wartośc rzeczywstych w zależnośc od wartośc napowetrzana złoża w l mn -1 czas trwana procesu lczono od momenty osągnęca przez złoże temperatury 18 C do chwl spadku temperatury ponżej 18 C. Dla porównana pokazano równeż czasy trwana dla procesów rzeczywstych. 270 268 Czas [h] 266 264 262 260 RBF 1-17-1 RBF 1-24-1 RBF 1-24-1 RBF 1-24-1 RBF 1-17-1 rzeczywste 258 256 2,5 5,0 5,5 7,0 8,0 10,5 12,5 15,0 20,0 Napowerzane [l mn -1 ] Rys. 3. Fg. 3. Predykcja czasu trwana procesy kompostowana wykonana dla różnych SSN wartośc rzeczywstych w zależnośc od wartośc napowetrzana złoża, sec radalne Predcton of compostng process duraton carred out for dfferent ANN and actual values dependng on bed aeraton values, radal networks 154
Predykcja zman temperatury... Tabela 1. Wybrane wynk przewdywana czasu trwana procesu kompostowana dla sec regresyjnych radalnych MLP oraz wartośc rzeczywstych w zależnośc od ntensywnośc napowetrzana Table 1. Selected results of predctng compostng process duraton for regresson networks radal and MLP, and for actual values dependng on aeraton ntensty RBF 1-17-1 RBF 1-24-1 SSN MLP 1-5-1 MLP 1-7-1 wartość rzeczywsta ntensywność napowetrzana czas [h] [l mn -1 ] 264,24 264,71 256,13 267,96 2,5 269,00 269,00 269,00 269,00 269 5,0 268,71 268,68 269,84 268,88 5,5 263,00 263,00 263,00 263,00 263 7,0 258,59 0,08 258,60 0,075 253,67 0,45 252,96 0,39 258 8,0 259,82 259,85 264,57 264,78 260 10,5 259,84 260,17 280,13 274,29 12,5 260,10 260,79 290,24 276,22 15,0 260,18 260,97 295,73 276,87 20,0 Na rysunku 4 pokazano rozkłady temperatury [ C] w czase kompostowana rzeczywste (dla wartośc napowetrzana 5; 7; 7,5; 10 l mn -1 ) uzyskane za pomocą SSN dla wartośc napowetrzana 2; 4; 8; 10; 12; 16; 20 l mn -1. 57 Temperatura [ C] 52 47 42 37 32 27 22 17 12 SSN 2 SSN 4 SSN 8 SSN 12 SSN 16 RZ 5 RZ 7 RZ 7,5 RZ 10 1 37 73 109 145 181 217 253 289 Czas [h] Rys. 4. Fg. 4. Zmany temperatury w czase kompostowana rzeczywste uzyskane za pomocą SSN dla różnych wartośc napowetrzana złoża Temperature changes n tme durng compostng: actual and obtaned usng the ANN for dfferent bed aeraton values 155
Macej Neugebauer, Janusz Pechock, Potr Sołowej Wnosk 1. Sztuczne sec neuronowe typu RBF charakteryzowały sę dużo mnejszym błędam uczena w porównanu do sec typu MLP dla badanych model (RBF błędy uczena mnejsze 0,1, dla RBF 1-24-1, uczena wynosł 0,056, dla MLP najlepsza seć mała wartoścą błędu równą 0,49). 2. Dla przewdywana czasu trwana procesu kompostowana wdać, że żadna z wybranych sec ne określła właścwe czasu trwana dla wartośc napowetrzana 2,5 l mn -1. Czas ten pownen być dłuższy nż dla wartośc 5 l mn -1. Natomast pozostałe wartośc są przewdzane właścwe, szczególne sec 1-24-1, dobrze pokazały wzrost czasu kompostowana wraz ze wzrostem wartośc napowetrzana powyżej wartośc optymalnej (wg badań wynos ona dla tego boreaktora wsadu ok. 7 l mn -1 czas trwana procesu 258 h). 3. Przewdywana zman temperatury w czase procesu kompostowana SSN dla wartośc napowetrzana powyżej 14 l mn -1 są na wykrese dentyczne (różnce są newdoczne na wykrese) wykresy te wykazują dużą zmenność temperatury, szczególne powyżej 90 godzny. Śwadczy to o błędnym przewdywanu SSN. Przewdywana dla pozostałych wartośc napowetrzana są zgodne z oczekwanam. Przed wykorzystanem SSN do predykcj zman temperatury należy zweryfkować te rozkłady poprzez badana empryczne. 4. Wykorzystane SSN umożlw zmnejszene lośc badań emprycznych (najbardzej czasochłonnych) symulacyjne dobrane najkorzystnejszej z punktu wdzena czasu trwana procesu kompostowana wartośc napowetrzana złoża. Bblografa Bar Q.H., Koeng A., Guhe T. 2000.Knetc analyss of forced aeraton compostng. I. Reacton rates and temperature. Waste Manage. Res. Volume: 18. p. 303-312. Boneck P. 2002. The Comparson of Multlayer Perceptron Networks and Radal Networks wth Regard to Ther Use as Predcton Instruments n Agrcultural Engneerng Problems Journal of Research and Applcatons n Agrcultural Engneerng 3. s. 38-45. Dach J. 2007. Badana wpływu aeracj na dynamkę procesu kompostowana osadów ścekowych w boreaktorze. Journal of Research and Applcatons n Agrcultural Engneerng. Vol. 52/1. p. 68-72. Dach J., Nedbała G., Przybył J. 2001. Zastosowane sec neuronowych w rolnctwe. Inżynera Rolncza. Nr 1 (21). s. 57-62. Eknc K., Keener H.M., Elwell D.L., Mchel F.C. 2004. Effects of aeraton strateges on the compostng process. Part I. Expermental studes. Volume: 47. p. 1697-1708. Guarda A., Petot C., Rogeau D. 2006. Influence of aeraton rate and bodegrablty fractonaton on compostng knetcs. Waste Management. Vol. 28. s. 73-84. Jack F. R., Steel G. M. 2002. Modellng the sensory characterstcs of Scotch whsky usng neural networks a novel tool for generc protecton, Food Qualty and Preference 13. s. 163. Lao Y., Fang S. C. Nuttle H. L. W. 2004. A neural network model wth bounded-weghts for pattern classfcaton, Computers & Operatons Research 31. s. 1411. 156
Predykcja zman temperatury... Neugebauer M., Nalepa K., Sołowej P. 2007. Sec neuronowe jako narzędze umożlwające prognozowane zapotrzebowana na wodę w uprawach rolnych. Inżynera Rolncza. Nr 2(90). Kraków s. 205. Partov F. Y., Anandarajan M. 2002. Classfyng nventory usng an artfcal neural network approach, Computers & Industral Engneerng 41. s. 389. Przekop P. 2009. Badane wpływu napowetrzana na dynamkę kompostowana wybranych rodzajów bomasy. Praca magsterska wykonana w Katedrze Elektrotechnk Energetyk UWM Olsztyn. Maszynops. Sołowej P. 2007. Przykład wykorzystana pryzmy kompostu jako nskotemperaturowego źródła cepła. Inżynera Rolncza. Nr 8(96). Kraków. s. 247-253. PREDICTION OF TEMPERATURE CHANGES FOR COMPOST BED DEPENDING ON AERATION DEGREE, CARRIED OUT USING ARTIFICIAL NEURAL NETWORKS Abstract. Compostng process ntensty depends on many determnants. One of them s compost bed aeraton ntensty. Also, process temperature change n tme s an mportant factor determnng qualty of obtaned compost. Moreover, t affects compostng process duraton. The scope of carred out research nvolved compostng bologcal materal of agrcultural orgn for dfferent aeraton ntensty values. Moreover, completed tests covered measurng temperature changes n compost bed durng compostng. Then, obtaned data was used to teach artfcal neural networks (ANN). The selected ANN (wth lowest error values) were then used to predct temperature changes n compost bed and compostng process duraton for other bed aeraton values. Key words: compostng, artfcal neural networks, aeraton Adres do korespondencj: Macej Neugebauer e-mal: mak@uwm.edu.pl Katedra Elektrotechnk Energetyk Unwersytet Warmńsko-Mazursk w Olsztyne ul. Oczapowskego 11 10-957 Olsztyn 157