Ocena skuteczności różnych strategii oceny efektów procesu mielenia przy użyciu sztucznych sieci neuronowych

• Autorzy: Olejnik K. , Ciesielski K.

Identyfikatory

DOI

10.15199/54.2017.5.1

Warianty tytułu

EN

Evaluation of the different strategies for the pulp refining process effects estimation using artificial neural networks

• Języki publikacji: PL

Abstrakty

PL

Mielenie masy włóknistej należy do najbardziej energochłonnych i najmniej efektywnych operacji jednostkowych w technologii papieru. Wśród wielu powodów takiego stanu rzeczy najważniejszymi są: złożoność zjawisk zachodzących w strefie mielenia, brak zależności matematycznych, które jednoznacznie opisywałyby omawiany proces oraz wielowymiarowość tej operacji jednostkowej. W ramach niniejszych badań opracowano i zbudowano modele neuronowe procesu oraz przeanalizowano możliwości zastosowania sztucznych sieci neuronowych (SNN) do przewidywania efektów procesu mielenia. Jako sieć neuronową stosowano klasyczną sieć jednokierunkową typu feed-forward, zaś jako algorytm treningowy wybrano metodę Levenberga-Marquardta. Sieć neuronową symulowano w środowisku Matlab (Neural Network Toolbox). Modelowany w ramach badań proces mielenia masy włóknistej prowadzono w półtechnicznym stanowisku laboratoryjnym wyposażonym w młyn stożkowy Escher-Wyss. Przeprowadzone serie doświadczeń dostarczyły danych do treningu i testowania sieci neuronowych. Zastosowano trzy modele SNN, w których starano się przewidywać: właściwości papieru na podstawie parametrów procesu mielenia, właściwości papieru na podstawie właściwości mielonej masy włóknistej oraz właściwości mielonej masy na podstawie parametrów procesu mielenia. Stwierdzono, że SNN mogą być skutecznym rozwiązaniem do oceny przebiegu procesu mielenia. Na podstawie wykonanej, prostej oceny dokładności modelu stwierdzono, że model oparty o zależność między parametrami surowca włóknistego i właściwościami gotowego papieru był najbardziej dokładny. Wyniki wskazują, że powiązania parametrów w modelu SNN, w obrębie surowca włóknistego i produktu są znacznie silniejsze i dokładniejsze niż zależności „parametry procesu-właściwości produktu” lub „parametry procesu-właściwości surowca włóknistego.

EN

Pulp refining operation has been considered as the one of the most energy-consuming and low-efficiency unit operation in papermaking. Among others, the complicated phenomena which occur in refining zone, lack of the mathematical model of this multivariable process are the main reasons of this situation. The aim of the presented work was to analyse the possibility of application of artificial neural networks (ANN) for the purpose of the evaluation of pulp refining operation. The Levenberg-Marquardt algorithm was used as a training method. Available dataset was divided into two groups: 90% of experimental results was applied as a training data, 10% was used for model verification. ANN was designed and tested in Matlab environment (Neural Network Toolbox). Refining experiments were carried out in pilot plant equipped with Escher-Wyss conical refiner. As a result of conducted trials, both training and test data were obtained. Three different models of ANN were designed. The following groups of parameters were combined and simulated (In/Out): refining parameters - paper properties, refined pulp properties - paper properties and refining parameters - refined pulp parameters. It has been found that ANN could be considered as a efficient solution for evaluation of pulp refining process. Simple evaluation of the accuracy of all models showed that the highest precision was obtained in case of the „pulp properties - paper properties” model. Results also allow to presume that model relationships between properties of refined raw material and final product are much stronger and accurate than relationships between process parameters and respectively: raw material properties or paper properties.

Słowa kluczowe

PL

papier; masa włóknista; analiza mielenia; sztuczne sieci neuronowe; SNN

EN

paper; pulp; refining analysis; artificial neural networks; ANN

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Papierniczy
• Rocznik: 2017
• Tom: R. 73, nr 5
• Strony: 343--348
• Opis fizyczny: Bibliogr. 19 poz.

Twórcy

autor

Olejnik K.

• Politechnika Łódzka, Instytut Papiernictwa i Poligrafii, ul. Wólczańska 223, 93-005 Łódź

autor

Ciesielski K.

• Politechnika Łódzka, Wydział Inżynierii Procesowej i Ochrony Środowiska, ul. Wólczańska 213, 93-005 Łódź

Bibliografia

• [1] Adamopoulos S., Karageorgos A., Rapti E., Birbilis D. 2016. “Predicting the properties of corrugated base papers using multiple linear regression and artificial neural networks”. Drewno 59 (198) : 61-72.
• [2] Batchelor W.J. 2001. “Effects of Flocculation and Floc Trapping on Fibre Treatment in Low-Consistency Refining”. J. Pulp Paper Sci. 27 (7) : 249-254.
• [3] Baughman D.R., Liu Y.A.1995. “Neural Networks in Bioprocessing and Chemical Engineering”, Academic Press.
• [4] Broderick G.,Lanovette R., Valade J.L. 1997. “Optimization refiner operation with statitical modeling”. Can. J. Chem. Eng. 75 (1) : 79-87.
• [5] Ciesielski K., Olejnik K. 2006. „Modelowanie wpływu procesu mielenia papierniczych mas włóknistych na właściwości papieru”. Przemysł Chemiczny 85 (8-9) : 1268-1271.
• [6] Ciesielski K., Olejnik K.: “Application of Neural Networks for Estimation of Paper Properties Based on Refined Pulp Properties”. Fibres & Textiles in Eastern Europe 22, 5 (107) : 126-132.
• [7] Hagan M.T., Menhaj M. B. 1994. “Training Feedforward Networks with Marquardt Algorithm”, IEEE Trans. on Neural Networks 5 (6): 989-993, “Neural Networks”, AIChE Journal 40 (8) : 1328-1340.
• [8] Harrison R.P., Leroux R., Stuart P.R. 2004. “Multivariate analysis of refiner operating data from TMP newsprint mill”. Pulp Pap. Canada 105 (4) : 79-82.
• [9] Kerekes R.J. 1990. “Characterization of pulp refiners by a C-factor”. Nordic Pulp and Paper Research Journal 1, 3-8 : 211-219.
• [10] Martinez D.M., Batchelor W.J., Kerekes R.J. 1997. “Forces on fibres in low consistency refining: normal force”. J. Pulp Paper Sci 23 (1) : 11-18.
• [11] Okan O.T., Deniz I., Tiryaki S. “Application of Artificial Neural Networks for predicting tensile index and brightness in bleaching pulp”, Maderas, Cienc. tecnol. 17 (3) : 571-584.
• [12] Olejnik K., Ciesielski K. 2004. „Neuronowy model procesu mielenia papierniczych mas włóknistych”. Inżynieria Chemiczna i Procesowa, 25 (3/2) : 1411-1416
• [13] Osowski S. 1996. „Sieci neuronowe”. Warszawa. Oficyna Wydawnicza Politechniki Warszawskiej.
• [14] Qian X., Tessier P.A. 1995. “Mechanistic model for predicting pulp properties from refiner operating conditions”. Tappi J. 78 (4) : 215-222.
• [15] Rantanen J., Hiltunen E., Nieminen K., Kerekes R., Paulapuro H. 2011. “Construction of a single bar refiner”. Tappi J. 10 (7) : 45-51.
• [16] Roux J.-C., Bloch J.-F., Bordin R., Nortier P. 2009. “The net normal force per crossing point: a unified concept for the low consistency refining of pulp suspensions”. In Advances in Pulp and Paper Research, Trans. 14th Fund. Res. Symp., (ed. S.J. I’Anson) 1 :51-83, Oxford.
• [17] Tadeusiewicz R. 1993. „Sieci Neuronowe”, Warszawa. Akademicka Oficyna Wydawnicza RM.
• [18] Thompson M.L., Kramer M.A. 1994: “Modelling Chemical Processes Using Prior Knowledge and Neural Networks”, AIChE Journal 40 (8) : 1328-1340.
• [19] Tiryaki S., Hamzacebi C. 2014. “Predicting modulus of rupture (MOR) and modulus of elasticity (MOE) of heat treated woods by artificial neural networks”. Measurement 49 : 266- 274.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).