Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/5ACDD506-660A-4BD0-9238-6FE2A0B8DE16 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.104070 | - |
| Γλώσσα | el | - |
| Μέγεθος | 105 σελίδες | el |
| Τίτλος | Ανάπτυξη τεχνικού νευρωνικού δικτύου της σχέσης υδροθερμικής προεπεξεργασίας και αναερόβιας χώνευσης βιομάζας | el |
| Τίτλος | Neural network modeling unveiling the relationship between hydrothermal pretreatment and anaerobic digestion of biomass | en |
| Δημιουργός | Mouzourakis Andreas | en |
| Δημιουργός | Μουζουρακης Ανδρεας | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Giannis Apostolos | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Γιαννης Αποστολος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Daras Tryfonas | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Δαρας Τρυφωνας | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Diangelakis Nikolaos | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Διαγγελακης Νικολαος | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Chemical and Environmental Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Χημικών Μηχανικών και Μηχανικών Περιβάλλοντος | el |
| Περίληψη | Η αξιοποίηση της λιγνοκυτταρινούχας βιομάζας αποτελεί μια αποτελεσματική στρατηγική για τη μείωση των εκπομπών άνθρακα, καθώς συμβάλει στη περιβαλλοντική βιωσιμότητα και εξοικονόμηση ενέργειας. Η αναερόβια χώνευση είναι μια ενεργειακά αποδοτική τεχνολογία για τον περιορισμό των εκπομπών αερίων του θερμοκηπίου και την ανάκτηση βιοκαυσίμων. Ταυτόχρονα, ο συνδυασμός της αναερόβιας χώνευσης με υδροθερμικά προεπεξεργασμένη βιομάζα συμβάλλει στην ενίσχυσης της συσσωρευτικής παραγωγής μεθανίου, ενώ η απόδοση της διεργασίας εξαρτάται από διάφορους φυσικοχημικούς παράγοντες. Σκοπός της παρούσας διπλωματικής εργασίας ήταν η ανάπτυξη ενός μοντέλου τεχνητού νευρωνικού δικτύου (ANN) για την πρόβλεψη της συσσωρευμένης παραγωγής μεθανίου από λιγνοκυτταρινούχα βιομάζα μέσω αναερόβιας χώνευσης. Τα δεδομένα συλλέχθηκαν από οκτώ δημοσιεύσεις και 42 διαφορετικές συνθήκες υδροθερμικής προεπεξεργασίας. Το μοντέλο περιλάμβανε 12 μεταβλητές εισόδου που κάλυπταν τα φυσικοχημικά χαρακτηριστικά της βιομάζας, τις συνθήκες προεπεξεργασίας και τις συνθήκες αναερόβιας χώνευσης. Ως έξοδος ορίστηκε η ημερήσια συσσωρευμένη παραγωγή μεθανίου. Η ανάπτυξη του μοντέλου πραγματοποιήθηκε έπειτα από 65 δοκιμές, στις οποίες τροποποιούνταν κάθε φορά ο αριθμός των κρυφών επιπέδων και των νευρώνων, χρησιμοποιώντας μετρικές αξιολόγησης ως κριτήριο επιλογής. Το βέλτιστο μοντέλο αποτελούνταν από 2 κρυφά επίπεδα με 14 νευρώνες το καθένα και είχε ακρίβεια προσαρμογής R^2 = 0.9364. Το ολικό μέσο τετραγωνικό σφάλμα (MSE) του μοντέλου ήταν 1.4x10-4, ενώ τα αντίστοιχα σφάλματα για την εκπαίδευση, την επικύρωση και τη δοκιμή ήταν 4.7x10-4, 4.9x10-4 και 5.6x10-3, αντίστοιχα. Στη συνέχεια, πραγματοποιήθηκαν τυφλές δοκιμές (blind tests) με 8 διαφορετικά σύνολα δεδομένων, τα οποία δεν είχαν χρησιμοποιηθεί στο παρελθόν από το μοντέλο, έτσι ώστε να αξιολογηθεί η ικανότητά του στην πρόβλεψη. Για κάθε τυφλή δοκιμή πραγματοποιήθηκε σύγκριση μεταξύ πειραματικών και προβλεπόμενων τιμών. Τα αποτελέσματα έδειξαν ότι σε 6 από τις 8 δοκιμές επιτεύχθηκε ακρίβεια προσαρμογής μεγαλύτερη του R^2 = 0.90, επιβεβαιώνοντας τη σταθερή απόδοση του μοντέλου. Αντίθετα, σε 2 περιπτώσεις παρατηρήθηκε μειωμένη ακρίβεια με τιμές R^2 = 0.7854 και R^2 = 0.4409, αντίστοιχα. Κατόπιν, έγινε ανάλυση σημαντικότητας των χαρακτηριστικών εισόδου με τη χρήση του λογισμικού SPSS και τoν αλγόριθμο των δέντρων απόφασης, με σκοπό την εκτίμηση της συμβολής κάθε παραμέτρου στην παραγωγή του μεθανίου. Στην συνέχεια αξιοποιώντας την ανάλυση, έγινε αφαίρεση των δυο λιγότερο σημαντικών χαρακτηριστικών εισόδου και δημιουργήθηκαν δυο νέα μοντέλα με 11 και 10 χαρακτηριστικά, διατηρώντας την ίδια αρχιτεκτονική με το αρχικό μοντέλο. Στόχος αυτής της διαδικασίας ήταν να βρεθεί η επίδραση που έχει η αφαίρεση αυτών των χαρακτηριστικών στην απόδοση του μοντέλου. Το ανεπτυγμένο μοντέλο μπορεί να χρησιμοποιηθεί μελλοντικά για την γρήγορη πρόβλεψη της παραγωγής μεθανίου, αξιοποιώντας μόνο τις φυσικοχημικές παραμέτρους, τις συνθήκες προεπεξεργασίας και τις συνθήκες αναερόβιας χώνευσης. Η προσέγγιση αυτή συμβάλλει στην εξοικονόμηση χρόνου και πόρων και ενισχύει τη διαδικασία βελτιστοποίησης. | el |
| Περίληψη | The utilization of lignocellulosic biomass is an effective strategy for reducing carbon emissions, aligning with modern requirements for environmental sustainability and energy conservation. Anaerobic digestion is an energy-efficient technology for mitigating greenhouse gas emissions and recovering biofuels. The hydrothermal pretreatment assisted anaerobic digestion of biomass represents a method to enhance the cumulative methane yield, while the efficiency of the process depends on various physicochemical factors. The purpose of this study was to develop an artificial neural network (ANN) model to predict the cumulative methane yield of lignocellulosic biomass produced through anaerobic digestion. Data was collected from 8 publications and 42 different hydrothermal pretreatment conditions. The model included 12 input parameters covering the physicochemical properties of the biomass, the pretreatment conditions and the conditions of anaerobic digestion. The output of the model was the daily accumulated methane production. The model was built effectively running 65 tests, changing each time the number of hidden layers and neurons, using evaluation metrics as a yardstick. The best performing model consisted of 2 hidden layers with 14 neurons each and achieved a fitting accuracy of R2 = 0.9364. The mean squared error (MSE) for the model was 1.4×10-4, while the same metric for training, validation and testing was 4.7×10-4, 4.9×10-3, and 5.6×10-3, respectively. Blind tests were then applied with 8 different datasets that the model had never run before to observe its prediction capabilities. For each blind test, a comparison was made between the experimental and predicted data. The results from the blind tests showed that 6 trials achieved a fitting accuracy higher than R2=0.90 confirming the consistent performance of the model. In contrast, 2 trials exhibited lower performance with accuracies of R2=0.7854 and R2=0.4409, respectively. Furthermore, a decision tree analysis was performed with SPSS software to examine the significance of feature parameters. Subsequently, utilizing the analysis, the two least significant input features were removed, and two models with 11 and 10 features were developed, maintaining the same architecture as the original model. The purpose of this process was to determine the impact that the removal of these features had on the model's performance. The developed model will be further used for rapidly predicting the production of methane by analyzing only the physicochemical parameters, pretreatment conditions, and anaerobic digestion conditions, thus alleviating the need for expensive experimental procedures. This approach saves time and effort, which would otherwise require a significant period, thereby contributing to the optimization of the process and the technoeconomic assessment of the technology. | en |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2025-07-18 | - |
| Ημερομηνία Δημοσίευσης | 2025 | - |
| Θεματική Κατηγορία | Υδροθερμική προεπεξεργασία | el |
| Θεματική Κατηγορία | Νευρωνικά δίκτυα | el |
| Θεματική Κατηγορία | Αναερόβια χώνευση | el |
| Θεματική Κατηγορία | Βιομάζα | el |
| Βιβλιογραφική Αναφορά | Ανδρέας Μουζουράκης, "Ανάπτυξη τεχνικού νευρωνικού δικτύου της σχέσης υδροθερμικής προεπεξεργασίας και αναερόβιας χώνευσης βιομάζας ", Διπλωματική Εργασία, Σχολή Χημικών Μηχανικών και Μηχανικών Περιβάλλοντος, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025 | el |
| Βιβλιογραφική Αναφορά | Andreas Mouzourakis, "Neural network modeling unveiling the relationship between hydrothermal pretreatment and anaerobic digestion of biomass", Diploma Work, School of Chemical and Environmental Engineering, Technical University of Crete, Chania, Greece, 2025 | en |
Copyright © DIAS 2013
