Application of Neural Networks for Estimation of Paper Properties Based on Refined Pulp Properties

• Autorzy: Ciesielski K , Olejnik K
• Języki publikacji: EN

Abstrakty

EN

The main objective of the work presented was to determine the possibility of the prediction of paper properties based on refined chemical pulp properties using the neural network approach. Three main parameters related to basic refining effects were used: pulp and fibre WRV, the amount of fines and the average fibre length. These parameters were used for prediction of the following paper parameters: apparent density, breaking length and tear resistance. The classical multilayer perceptron with one hidden layer was used. The number of inputs and outputs was related to that of input and output variables. The size of the hidden layer (number of hidden neurons) was determined experimentally. The Levenberg-Marquardt algorithm was used as a training method. The available dataset was divided into two groups: 90% of experimental results were applied as training data and 10% for model verification. As a result of the trials conducted, a satisfactory level of the correlation between simulation data and experimental data was obtained. Results allow to presume that the method presented could be adapted for other papermaking pulp grades as a general control system in the industrial refining process. In such a case, the accuracy of the presented method could be even higher because of the large number of data available on-line. These data could be used as in a real-time training procedure, which would significantly improve the precision of the whole system. The lack of other effective methods of paper property prediction makes the method proposed an attractive solution to the problem presented.

PL

Celem pracy było określenie potencjalnych możliwości przewidywania właściwości papieru na podstawie właściwości zmielonej masy papierniczej z użyciem sieci neuronowej. Jako dane wejściowe wybrano cztery, najbardziej istotne z technologicznego punktu widzenia wskaźniki, które odpowiadają trzem podstawowym efektom mielenia masy papierniczej. Były to: WRV włókien,WRV masy, średnia długość włókien i zawartość frakcji drobnej w mielonej masie papierniczej. Na tej podstawie podjęto próbę jednoczesnego przewidywania następujących właściwości papieru: gęstości pozornej, wskaźnika odporności na zerwanie i oporu przedarcia. Wykorzystano klasyczną sieć neuronową TLN wielowarstwowy perceptron z jedną warstwą ukrytą. Ilość neuronów na wejściu i wyjściu odpowiadała ilości danych wejściowych (wskaźniki efektów mielenia masy papierniczej) i wyjściowych (właściwości papieru). Wielkość warstwy ukrytej dobrano eksperymentalnie. Jako metodę treningową zastosowano metodę Levenberga-Marquardt’a. Z ogólnego zbioru danych, 90% wydzielono jako dane treningowe, zaś 10% jako zbiór testowy, służący weryfikacji procesu treningowego. W wyniku przeprowadzonych badań otrzymano zadowalający poziom zgodności wyników symulacji z danymi eksperymentalnymi. Wyniki wskazują że zaproponowana technika może być zastosowana także do innych rodzajów mas włóknistych, szczególnie, że w procesie przemysłowym liczba dostępnych wyników, które mogą posłużyć jako dane treningowe, jest znacznie większa. Wobec braku kompleksowych i sprawdzonych modeli matematycznych, zaproponowany model stanowi jedno z możliwych rozwiązań opisywanego problemu.

Słowa kluczowe

EN

pulp; paper; WRV; fibre length; fines; strength properties; neural networks; simulation

PL

masa celulozowa; papier; WRV; długość włókien; właściwości wytrzymałościowe; sieci neuronowe; symulacja

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2014
• Tom: Vol. 22, no. 5 (107)
• Strony: 126--132
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Ciesielski K

• Poland, Łódź, Technical University of Lodz, Faculty of Process and Environmental Engineering

autor

Olejnik K

• Poland, Łódź, Lodz University of Technology, Institute of Papermaking and Printing

Bibliografia

• 1. Przybysz K. Paper pulp quality control system. Part I. Goal and tasks (in Polish) Przegl. Papiern. 2005; 61, 2: 87-90.
• 2. Przybysz K. Paper pulp quality control system. Part II. Dimensions and shapes of fibres (in Polish). Przegl. Papiern. 2005; 61, 4: 212-216.
• 3. Ingmanson W, Thode E. Factors contributiong to the strength of a sheet of paper. Tappi J. 1959; 42, 1: 83.
• 4. Page DH. A theory for the tensile strength of paper. Tappi J. 1969; 52, 4: 674.
• 5. Emerton HW. Fundamentals of the Beating Process: The Theory of the Development in Pulps of Papermaking Characteristics by Mechanical Treatment. British Paper and Board Industry Research Association, Kenley, UK, 1957.
• 6. Page DH. The mechanism of strength development of dried pulps by beating. Svensk Papperstidn. 1985; 88, 3, R30.
• 7. Clark J. d’A. Some thoughts on fiber classification and length. Tappi J. 1985; 68, 8: 119.
• 8. Paavilainen L. Importance of particle size - fibre length and fines - for the characterization of softwood kraft pulp. Paperi Ja Puu 1990; 72, 5: 516.
• 9. Olejnik K. The Effect of Specific Refining Intensity on Paper Breaking Length. Paper Technology 2011; 52, 2: 8-11.
• 10. Kim HC, Shen X, Rao M, Zurcher J. Quality prediction by neural network for pulp and paper processes. In: Canadian Conference on Electrical and Computer Engineering. Vancouver, BC, ISBN: 0-7803-2416-1, 1993; 1: 104-107.
• 11. Gyaneshwar M, Hart D, Scott WE. Development of Mathematical Models for Predicting Sizing, Strength, and Opacity on the Miami University Pilot Paper Machine. In: 2000 TAPPI Papermakers Conference, Atlanta, GA : TAPPI Press, 2000.
• 12. Dayal BS, MacGregor J, Taylor, PA. Application of Feedforward Neural networks and Partial Least Squares Regression to Modeling Kappa Number in a Continuous Kamyr Digester. Pulp and Paper Canada 1994; 95: 26-32.
• 13. Zhu J, Xia Q, Rao M, Zurcher J. A Neural Network for Modeling Pulp Process. Pulp and Paper Canada 1997; 98, 9: 35-38.
• 14. Olejnik K, Ciesielski K. Neural network model of pulp refining process. Chemical and Process Engineering 2004; 25, 3-2: 1411-1416.
• 15. Scharcanski J, Dodson CTJ. Neural network model for paper forming process. In: Pulp and Paper Industry Technical Conference. 10-14 June, 1996: 236 – 255.
• 16. Nieminen P, Kärkkäinen T, Luostarinen K, Muhonen J. Neural Prediction of Product Quality Based on Pilot Paper Machine Process Measurements. In: ICANNGA’11 - 10th International Conference on Adaptive and Natural Computing Algorithms 2011; Part I: 240-249.
• 17. Jahan MS, Rawshan S. Reinforcing potential of Jute pulp with TREMA ORIENTALIS (NALITA) pulp. BioResources 2009; 4, 3: 921-932.
• 18. Chagaev O, Zou X. A New Concept to Characterize Fibre Development in Refining and Mechanical Pulp Quality for LWC and SC Grades. Pulp Pap. Canada 2007; 108, 1: 50-56.
• 19. Baker C. (ed.). Refining Technology, Pira Int., 2000.
• 20. Somboon P, Paulapuro H. Determination of wet fiber strength. Tappi J. 2009; 8, 5: 4-10.
• 21. Hiltunen E, Kettunen H, Laine JE, Paulapuro H. Effect of softwood kraft refining on a mechanical-chemical mix