การผลิตถ่านชีวภาพในกระบวนการทอร์ริแฟคชันจากชีวมวลไผ่เพื่อทำนายค่าความร้อนสูงสุด
คำสำคัญ:
ชีวมวล, กระบวนการทอร์ริแฟคชัน ไม้ไผ่, แบบจำลองอัลกอริทึม SVM , แบบจำลองอัลกอริทึม KRRบทคัดย่อ
งานวิจัยนี้ศึกษาผลของกระบวนการทอร์ริแฟคชันต่อค่าความร้อนสูงสุดของชีวมวลไม้ไผ่ โดยทำการเผาชีวมวลภาย ใต้อุณหภูมิ 200–400 °C ในสภาวะไร้ออกซิเจน โดยนำชีวมวลไม้ไผ่ทางการเกษตรผ่านการตากแห้ง (เฉลี่ย 35.27 °C) และบดผ่านตะแกรงขนาด 20, 60 และ 100 เมช ระบบทอร์ริแฟคชันที่สร้างขึ้นประกอบด้วยเตาเผาแบบท่อแนวนอน ชุดควบแน่นไอ และกระบอกใส่ชีวมวล การจำลองและออกแบบกระบวนการใช้โปรแกรม Aspen Plus V12.1 และ Design Expert V13.0 เพื่อวิเคราะห์ค่าความร้อนสูงสุด (HHV) หน่วย MJ/kg ซึ่งจากผลการวิเคราะห์โดยวิธีประมาณของไม้ไผ่ พบว่าค่าปริมาณสารระเหย ความชื้น คาร์บอนคงตัว และปริมาณเถ้าเท่ากับ 60.45, 6.73, 32.05 และ 1.84 เปอร์เซ็นต์ตามลำดับ ภายใต้เงื่อนไขทดสอบที่อนุภาค 60 เมช อัตราไนโตรเจน 25 มิลลิลิตร/นาที อุณหภูมิ 340 องศาเซลเซียส และเวลา 90 นาที ให้ค่าความร้อนสูงสุด 19.3945 เมกกะจูลต่อกิโลกรัม โดยมีค่าคลาดเคลื่อนเฉลี่ยเมื่อเทียบกับค่าทดลองเพียง 3.143 เปอร์เซ็นต์ ผลการศึกษาจุดที่เหมาะสมสำหรับกระบวนการทอร์ริแฟคชันของชีวมวล พบว่าที่อนุภาคขนาด 33.6813 เมช ไนโตรเจน 28.9080 mL/min อุณหภูมิ 339.225 °C เวลา 52.2639 นาที ให้ค่าความร้อนสูงสุด 19.4937 MJ/kg ในการทำนายค่าความร้อนสูงสุดด้วยการเรียนรู้ของเครื่องจากข้อมูล 279 ชุด พบว่า Kernel Ridge Regression (KRR) มีความแม่นยำสูงสุดที่ 87.64% ขณะเรียนรู้ และ 81.16% ในการทดสอบ เทียบกับ Support Vector Machine (SVM) ที่มีความแม่นยำ 60.60% และ 57.85% ตามลำดับ จึงสรุปได้ว่า KRR เหมาะสมกว่าสำหรับการพัฒนาเป็นเครื่องมือทำนายค่าความร้อนของชีวมวลไม้ไผ่
เอกสารอ้างอิง
ธนศิษฏ์ วงศ์ศิริอำนวย. (2564). การผลิตถ่านชีวภาพและแนวทางการใช้ประโยชน์. https://erp.mju.ac.th/acticleDetail.aspx?qid=1072
ปนัดดา อินทร์ดำ, โชคชัย เหมือนมาศ, และสุกฤทธิรา รัตนวิไล. (2562). การคัดเลือกปัจจัยที่ส่งผลต่อกระบวนการทอร์รีแฟคชันของทะลายปาล์มโดยใช้การออกแบบการทดลองด้วย. วารสารวิจัยมหาวิทยาลัยขอนแก่น (ฉบับบัณฑิตศึกษา), 19(4), 86–99.
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, 4, 214–218. http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5357707
Kartal, F., & Ozveren, U. (2020). A deep learning approach for prediction of syngas lower heating value from CFB gasifier in Aspen Plus. Energy, 209, 118457. https://www.sciencedirect.com/science/article/abs/pii/S0360544220315656?utm_source=chatgpt.com
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://www.sciencedirect.com/science/article/abs/pii/S0960852421016205?utm_source=chatgpt.com
Loha, C., Chatterjee, P. K., & Chattopadhyay, H. (2011). Performance of fluidized bed steam gasification of biomass – Modeling and experiment. Energy Conversion and Management, 52(3), 1583–1588. https://www.sciencedirect.com/science/article/abs/pii/S0196890410004978?utm_source=chatgpt.com
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://pdfs.semanticscholar.org/ab71/ac1c2c7fe154b3135369265e0efd8e638b8d.pdf?utm source=chatgpt.com
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. https://jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf?utm_source=chatgpt.co
Wang, L., & Jia, X. (2009). Integration of soft and hard classifications using extended support vector machines. IEEE Geoscience and Remote Sensing Letters, 6(3), 543–547. https://www.researchgate.net/publication/224466676_Integration_of_Soft_and_Hard_Classifications_Using_Extended_Support_Vector_Machines
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, 125412. https://www.sciencedirect.com/science/article/abs/pii/S0960852421016205?utm_source=chatgpt.com
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
หมวดหมู่
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 ศวท : ศิลปศาสตร์ วิทยาศาสตร์และเทคโนโลยี (LAS: Liberal Arts, Science and Technology)
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
