Neuronowa estymacja poziomu emisji biometanu z typowych substratów rolniczych

• Autorzy: Pilarski K. , Boniecki P. , Dach J. , Koszela K. , Lewicki A. , Zbytek Z.

Warianty tytułu

EN

Neural estimation of methane emission level from typical agricultural substrates

• Języki publikacji: PL

Abstrakty

PL

Efektywnym podejściem do estymacji procesów zachodzących w złożonych systemach empirycznych inżynierii rolniczej jest wykorzystanie nowoczesnych metod, jakie reprezentują neuronowe techniki predykcyjne. Sztuczne sieci neuronowe stanowią intensywnie rozwijającą się dziedzinę wiedzy, coraz częściej stosowaną w wielu obszarach zarówno nauki, jak również praktyki. Podstawą działania sztucznych sieci neuronowych są algorytmy uczące, umożliwiające zaprojektowanie odpowiedniej topologii sieci oraz dobór parametrów tej struktury. W pracy zaproponowano wykorzystanie technik neuronowego modelowania do estymacji poziomu zawartości metanu w biogazie, emitowanego w trakcie procesu fermentacji metanowej kiszonki. Uzyskane wyniki badań potwierdzają hipotezę, że predykcyjny model neuronowy, opisujący produkcję metanu w trakcie procesu fermentacji kiszonki w biofermentorze, jest właściwym instrumentem dla dokonania oceny prognozowania poziomu tej emisji.

EN

The usage of modern methods, which represent predictive neural techniques is an effective approach to the estimation of the processes occurring in the complex empirical systems of agricultural engineering. The artificial neural networks are a rapidly expanding field of knowledge used increasingly in many areas of science, as well as practice. The learning algorithms, enabling the design of appropriate network topology and selection of the parameters of this structure, matched to the problem to be solved are the basis of functioning of artificial neural networks. The paper proposes the use of neural modeling techniques to estimate the level of methane content in the biogas emitted over the methane fermentation process of silage. Obtained research results confirm the hypothesis that predictive neural model describing the methane production during the silage fermentation process in biofermentor is an appropriate tool to assess the forecasting of the level of this emission.

Słowa kluczowe

PL

kiszonka; biogaz; metan; procesy; ocena; sztuczna inteligencja; sieci neuronowe; modelowanie; badania

EN

silage; biogas; methane; processes; evaluation; artificial intelligence; neural networks; modeling; experimentations

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2012
• Tom: Vol. 57, nr 1
• Strony: 115--119
• Opis fizyczny: Bibliogr. 18 poz.

Twórcy

autor

Pilarski K.

autor

Boniecki P.

autor

Dach J.

autor

Koszela K.

autor

Lewicki A.

autor

Zbytek Z.

• Uniwersytet Przyrodniczy w Poznaniu, Instytut Inżynierii Rolniczej ul. Wojska Polskiego 50, 60-637 Poznań,

Bibliografia

• [1] Adamski M., Pilarski K., Dach J.: Możliwości wykorzystania wywaru gorzelnianego jako substratu w biogazowni rolniczej. Journal of Research and Applications in Agricultural Engineering, 2009, Vol. 54 (3): 10-15.
• [2] Amon T., Amon B., Kryvoruchko V., Machmuller A. Methane production though anaerobic digestion of various energy crops grown in sustainable crop rotations. Bioresource Technology, 2007, 98: 3204–3212.
• [3] Boniecki P.: Elementy modelowania neuronowego w rolnictwie. Wydawnictwo UP w Poznaniu, 2008.
• [4] Dach J.: Rynek biogazowni w Polsce: ocena i perspektywy. Czysta Energia, 2010, 5: 38-42.
• [5] Dach J., Zbytek Z., Pilarski K., Adamski M.: Badania efektywności wykorzystania odpadów z produkcji biopaliw jako substratu w biogazowni. Technika Rolnicza Ogrodnicza Leśna, 2009, nr 6: 7-9.
• [6] Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Sieci neuronowe. Warszawa: Akademicka Oficyna Wydawnicza EXIT, 2000.
• [7] Edelmann, W., Schleiss, K., Joss, A.: Ecological, energetic and economic comparison of anaerobic digestion with different competing technologies to treat biogenic wastes. Water Sci. Technol., 2000, 41 (3): 263–273.
• [8] Fugol M., Szlachta J.: Zasadność używania kiszonki z kukurydzy i gnojowicy świńskiej do produkcji biogazu. Inżynieria Rolnicza, 2010, nr 1 (119): 169-174.
• [9] Francik S., Ślipek Z.: Dobór funkcji trendu do prognozowania techniczno eksploatacyjnych wskaźników maszyn rolniczych. Inżynieria Rolnicza, 1999.
• [10] Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe – podstawy i zastosowania. Warszawa: Akademicka Oficyna Wydawnicza, 1994.
• [11] Pilarski K., Dach J., Mioduszewska N.: Porównanie wydajności produkcji metanu z gnojowicy świńskiej i bydlęcej z dodatkiem gliceryny rafinowanej. Journal of Research and Applications in Agricultural Engineering, 2010, Vol. 55(2): 78-81.
• [12] Pilarski K., Dach J., Pilarska A.: Preferowane kierunki rolniczego zagospodarowania odpadów z produkcji biopaliw. Technika Rolnicza Ogrodnicza Leśna, 2010, nr 3: 5-6.
• [13] Przybył J., Mioduszewska N., Dach J., Pilarski K.: Sugar beet used for traditional purposes and for energy. An economic comparison. Inżynieria Rolnicza, 2011, 7 (132): 131-140.
• [14] Rutkowska D.: Inteligentne systemy obliczeniowe. Akademicka Oficyna Wydawnicza, 1997.
• [15] Szlachta J., Fugol M.: Analiza możliwości produkcji biogazu na bazie gnojowicy oraz kiszonki z kukurydzy. Inżynieria Rolnicza, 2009, nr 5 (114): 275-280.
• [16] Lula P., Tadeusiewicz R.: Statistica Neural Networks PL: wprowadzenie do sieci neuronowych. StatSoft Polska, Kraków, 2001.
• [17] Vedrenne, F., Beline, F., Dabert, P., Bernet, N.: The effect of incubation conditions on the laboratory measurement of the methane producing capacity of livestock wastes. Bioresource Technology, 2008, 99: 146–155.
• [18] Zhou Mo, Pilarski K.: The preliminary comparison of biogas productivity between maize silage and maize straw silage. Journal of Research and Applications in Agricultural Engineering, 2011, Vol. 56 (2): 88-91.