dr in¿. Krzysztof KOSZELA, dr in¿. Krzysztof PILARSKI, dr hab. in¿. Jacek DACH, prof. dr hab. in¿. Piotr BONIECKI, dr in¿.Aleksander JÊDRUŒ
Uniwersytet Przyrodniczy w Poznaniu, Instytut In¿ynierii Rolniczej ul. Wojska Polskiego 28; 60-637 Poznañ
e-mail:
:
Streszczenie
Sztuczne sieci neuronowe wykorzystywane s¹ z powodzeniem m.in. do analizy z³o¿onych systemów empirycznych, w których czêœæ parametrów opisuj¹cych zachodz¹ce zjawiska jest niemierzalna lub których precyzyjny pomiar jest trudny. W niniejszej publikacji zaprezentowano budowê i zasady dzia³ania sztucznych sieci neuronowych jako narzêdzia do predykcji zawartoœci metanu w biogazie z bioodpadów rolniczych [3]. Prognozowanie zawartoœci biogazu odgrywa wa¿n¹ rolê w opracowywaniu optymalnych modeli do zarz¹dzania biogazowni¹. Z powodu ró¿norodnoœci bazy surowcowej istotnym jest optymalne prognozowanie wydajnoœci biogazowni. W zwi¹zku z powy¿szym czêsto z powodzeniem u¿ywa siê modeli typu „czarna skrzynka”, które wymagaj¹ mniejszej liczby parametrów ni¿ klasyczne modele konceptualne.
sztuczna inteligencja; sieci neuronowe; bioodpady; biogaz; metan; biogazownia; wydajnoϾ; prognozowanie
S³owa kluczowe
koszela@up.poznan.pl ; pilarski@up.poznan.pl
KONCEPCJA WYKORZYSTANIA SZTUCZNYCH
SIECI NEURONOWYCH DO PROGNOZOWANIA
ZAWARTOŒCI METANU W SUBSTRATACH
Obiekt badañ
Biogaz to gaz pozyskany z biomasy. Jest to mieszanina metanu (CH ) i dwutlenku wêgla (CO ), z domieszk¹ ma³ych iloœci siarkowodoru, azotu, tlenu, wodoru oraz innych sub-stancji, która powstaje w wyniku procesu fermentacji zwi¹zków pochodzenia organicznego zachodz¹cej w warun-kach beztlenowych. Sk³ad biogazu zale¿y od rodzaju zastosowanej technologii oraz zastosowanego materia³u wsadowego. Produkcja metanu zale¿y tak¿e m.in. od zawar-toœci i sk³adu suchej masy w masie bioodpadów. W celach energetycznych biogaz mo¿na pozyskaæ w komunalnych oczyszczalniach œcieków, w komorach fermentacyjnych osadów œciekowych oraz w biogazowniach rolniczych (rys. 1).
4 2
Rys. 1. Biogazownia rolnicza (fot. J. Dach) Fig. 1. Agricultural biogas plant (photo J. Dach)
Jednym z istotnych aspektów biogazowi rolniczych jest jej wydajnoœæ. Do g³ównych czynników wp³ywaj¹cych na ten aspekt nale¿y zaliczyæ przede wszystkim: rodzaj stosowanego substratu wsadowego, temperaturê, w której przebiega fermentacja, stopnia ich przefermentowania oraz rodzaju obróbki mechanicznej czy te¿ czasu retencji (trwania procesu).
Biogaz rolniczy mo¿e byæ pozyskiwany z szerokiej bazy surowcowej. Jako surowiec energetyczny mog¹ byæ stosowane substraty pochodzenia roœlinnego, zwierzêcego, ale równie¿ bioodpady powstaj¹ce jako odpad produkcyjny w przemyœle.
Do jednych z najczêœciej stosowanych substratów rolniczych nale¿y zaliczyæ m.in. odchody zwierzêce (gnojo-wica, gnojówka, obornik, pomiot kurzy), biomasê z upraw celowych (plantacji energetycznych), w tym uprawian¹ na glebach gorszej jakoœci lub na glebach zanieczyszczonych, odpady z produkcji roœlinnej, jak m. in. ró¿nego rodzaju s³oma, odpady zbo¿owe, odpady pasz. Substraty komunalne do produkcji biogazu to m.in.: frakcja organiczna odpadów miejskich, odpady zielone pochodz¹ce z pielêgnacji terenów zielonych, odpady ogrodnicze, odpady z placów i targowisk, odpady wytwarzane w gospodarce komunalnej (osad œciekowy). Substraty przemys³owe do produkcji biogazu to m.in. odpady z przemys³u przetwórczego, spo¿ywczego, mleczarskiego (serwatka), cukrowniczego, miêsnego, farma-ceutycznego, kosmetycznego, biochemicznego [7].
Budowa sztucznych sieci neuronowych zosta³a zainspirowana badaniami struktur mózgowych. Chêæ stworzenia odpowiednika ludzkiego mózgu, naœladuj¹cego jego prace, doprowadzi³a do otrzymania bardzo wydajnego narzêdzia. Sztuczna sieæ neuronowa jest to zespó³ po³¹czonych ze sob¹ neuronów przetwarzaj¹cych dane. Ich g³ównym zadaniem jest przetwarzanie informacji podanych na wejœciu sieci w wartoœci wyjœciowe. Sztuczne komórki nerwowe agreguj¹ dane wejœciowe (wykorzystuj¹c wagi przypisane ka¿dej informacji wejœciowej), a nastêpnie wyznaczaj¹ wartoœci wyjœciowe. Neurony wchodz¹ce w sk³ad sieci mog¹ tworzyæ warstwy. Pierwsza warstwa nosi nazwê warstwy wejœciowej, ostatnia warstwy nazywana jest warstw¹ wyjœciow¹, natomiast wszystkie warstwy znajduj¹ce siê pomiêdzy nimi okreœlane s¹ jako warstwy ukryte. Architektura poszczególnych sieci mo¿e byæ zró¿nicowana. Ma na to wp³yw zarówno liczba warstw sk³adaj¹cych siê na dan¹ sieæ, jak równie¿ model sieci oraz sposoby powi¹zañ pomiêdzy Sztuczne sieci neuronowe
poszczególnymi neuronami - czyli to, czy ³¹czony jest ka¿dy neuron jednej warstwy z ka¿dym neuronem warstwy nastêpnej, czy te¿ ³¹czone s¹ tylko wybrane neurony [5, 10].
Niew¹tpliwie sztuczne sieci neuronowe posiadaj¹ wiele zalet, które powoduj¹, ¿e s¹ atrakcyjnym narzêdziem progno-stycznym alternatywnym dla tradycyjnie stosowanych modeli prognostycznych. Przede wszystkim w przeciwieñstwie do tradycyjnych metod nie wymagaj¹ du¿ej liczby pocz¹tkowych za³o¿eñ dotycz¹cych modelu. Jednym z istotnych aspektów sztucznych sieci neuronowych jest umiejêtnoœæ uczenia siê dziêki podanym przyk³adom oraz fakt, ¿e s¹ one w stanie wy-chwyciæ zale¿noœci miêdzy danymi - nawet w sytuacjach, kiedy trudno jest okreœliæ rzeczywiste relacje zachodz¹ce po-miêdzy zmiennymi. Potrafi¹ równie¿ sprostaæ zadaniom w sy-tuacjach, gdy do dyspozycji jest du¿a iloœæ danych, albo gdy pozosta³a wiedza jest ograniczona lub trudna do zdobycia -szczególnie, ¿e czêsto du¿o ³atwiej jest uzyskaæ dane ni¿ teoretyczne podstawy funkcjonowania systemu, który te dane generuje. Niew¹tpliwie du¿¹ zalet¹ SSN jest ich umiejêtnoœæ generalizacji. Po procesie uczenia na zaprezentowanym zbiorze, sieci potrafi¹ prawid³owo reagowaæ na nowe dane, nawet takie, które zawieraj¹ du¿¹ iloœæ szumu informacyjnego. Dodatkowo posiadaj¹ umiejêtnoœæ douczania w sytuacji, gdy dostarczy siê im nowe dane. Praktyka w stosowaniu sieci neuronowych wykaza³a, ¿e w wielu sytuacjach SSN s¹ bardziej elastyczne ni¿ tradycyjne metody statystyczne. Charakteryzuj¹ siê uniwersaln¹ mo¿liwoœci¹ aproksymacji dowolnej ci¹g³ej funkcji do dowolnego wymaganego poziomu dok³adnoœci. Dodatkowo SSN rozwi¹zuj¹ problemy nieliniowe. Umo¿liwia to odmienne od tradycyjnego podejœcia zak³adaj¹cego linio-woœæ relacji wystêpuj¹cych pomiêdzy badanymi zjawiskami. Pomimo tych wymienionych zalet zbudowanie modelu neuronowego nie jest ³atwym procesem i niejednokrotnie bardzo praco- i czasoch³onnym, napotykaj¹cym wiele trudnoœci w trakcie ich tworzenia [4, 6, 9].
Sztuczne sieci neuronowe potrafi¹ generowaæ wartoœci wyjœciowe na podstawie zbioru wartoœci wejœciowych bez koniecznoœci specyfikacji relacji zachodz¹cych pomiêdzy poszczególnymi zmiennymi. Dziêki tym cechom, modele neuronowe znalaz³y zastosowanie w problemach prognosty-cznych, szczególnie w sytuacjach, gdzie tradycyjna ekono-metria napotyka trudnoœci. Jednym z zastosowañ sztucznych sieci neuronowych mo¿e te¿ byæ analiza i prognozowanie szeregu czasowego. W tym celu wykorzystuje siê neuronowy model szeregu czasowego, który w wielu wypadkach mo¿e byæ alternatyw¹ do tradycyjnych modeli prognostycznych [3].
W ramach projektu zostan¹ przeprowadzone badania w celu rozwi¹zania zagadnienia dotycz¹cego opracowania modelu neuronowego do predykcji iloœci biometanu produkowanego z substratów w trakcie fermentacji oraz doboru najbardziej efektywnych wspó³zale¿noœci parametrów wp³ywaj¹cych na jego produkcjê. Proponowana metoda oparta bêdzie o sztuczne sieci neuronowe jako instrument predykcyjny wraz z zastosowaniem szeregów czasowych.
Zak³ada siê, i¿ mo¿liwe jest wytworzenie modelu neurono-wego, który w szybki i skuteczny sposób bêdzie dokonywa³ predykcji iloœci metanu produkowanego z substratów z uwzglêdnieniem zale¿noœci pomiêdzy czynnikami. Wytwo-rzony model neuronowy stanie siê czêœci¹ systemu informa-tycznego wspomagaj¹cego decyzjê podczas procesu doboru Materia³y i metody
Planowane jest opracowanie równie¿ modeli ekonome-trycznych maj¹cych na celu przedstawienie zale¿noœci wp³ywaj¹cych na op³acalnoœæ budowy biogazowni.
odpowiednich substratów ze wzglêdu na ich dostêpnoœæ oraz okreœlaj¹cych moc elektryczn¹ i ciepln¹ danej biogazowni [1, 2, 8].
W trakcie badañ nale¿y uzyskaæ odpowiedzi na nastêpuj¹ce pytania:
1. Czy modele neuronowe s¹ w³aœciwym narzêdziem do predykcji?
2. Która topologia sieci umo¿liwia efektywn¹ i poprawn¹ predykcjê zawartoœci metanu w ró¿norodnych substratach? 3. Jaki algorytm uczenia sieci jest najbardziej skuteczny dla
wybranej topologii sztucznej sieci neuronowej?
4. Jaki z parametrów procesu fermentacji danych substratów maj¹ wp³yw na zawartoœæ metanu [6]?
Cel pracy zrealizowany bêdzie w oparciu o prowadzone ju¿ badania w³asne w Instytucie In¿ynierii Rolniczej UP w Pozna-niu. Na podstawie tych badañ zgromadzono bazê danych kilkunastu substratów.
Celem prowadzonych badañ jest rozpoznanie systemu empirycznego obejmuj¹cego ocenê poszczególnych sub-stratów i prognozowanie zawartoœci w nich metanu oraz opracowanie i budowa tego modelu. Wytworzony model zosta-nie skonfrontowany z klasycznymi metodami prognozowania.
Realizacja badañ bêdzie sk³ada³a siê z nastêpuj¹cych etapów:
Okreœlenie prognozowanej zmiennej.
Podczas badañ zostan¹ poddane analizie szeroko dostêpne substraty, jak równie¿ czynniki procesowe maj¹ce wp³yw na zawartoœæ metanu w wytwarzanym biogazie, który jest najwa¿niejszym czynnikiem maj¹cym wp³yw na efektywnoœæ ekonomiczn¹ pracy biogazowni. Wskazany obszar badawczy ma ogromne znaczenie w aspekcie najbli¿szej przysz³oœci, gdy¿ w Polska jest w wstêpnej fazie rozwoju i budowy biogazowni, jako alternatywnego Ÿród³a pozyskiwania energii. Aktualnie wiedza w zakresie doboru odpowiednich substratów i innych czynników maj¹cych wp³yw na op³acalnoœæ przedsiêwziêcia w aspekcie bardzo zmiennych czynników makro- i mikroekonomicznych jest niewystarczaj¹ca, czego dowodem by³o bankructwo blisko niemieckich biogazowni w latach 2007-2009 z uwagi na bardzo s³abe wskaŸniki eksploatacyjne instalacji. Sytuacja ta wymaga zastosowania zawansowanych technologii informatycznych umo¿li-wiaj¹cych automatyzacjê procesu przetwarzania danych dla potrzeb skutecznego prognozowania efektywnoœci procesu i podejmowania decyzji. Mo¿na stwierdziæ, ¿e na obecnym etapie rozwoju technologii informatycznych komputery doskonale radz¹ sobie z danymi i informacjami. Natomiast wci¹¿ pozostaje wyzwaniem opanowanie metod, które pozwol¹ na zautomatyzowane generowanie i pozyskiwanie wiedzy z posiadanych zasobów danych i informacji. Przejœcie w hierarchii pojêæ z poziomu informacji do poziomu wiedzy Cel i zakres pracy
Podsumowanie • • • • • • • • ¼
Gromadzenie zbioru danych lub szeregów liczbowych zwi¹zanych z prognozowanym zjawiskiem.
Wstêpne przetwarzanie danych ( ). Wybór odpowiedniej architektury sieci.
Wybór odpowiedniego algorytmu uczenia.
Przeprowadzenie procesu uczenia wybranych modeli neuronowych.
Walidacja wybranego modelu neuronowego. Zastosowanie sieci do predykcji.
preprocessing
wymaga zachowania inteligentnego. To w³aœnie inteligentne zestawienie danych i informacji pozwala na stworzenie wzorców i regu³ odzwierciedlaj¹cych wiedzê i sukces. Rozwój techniki komputerowej, a przede wszystkim systemów prze-twarzania danych, umo¿liwi³ implementacje skompli-kowanych metod matematycznych, wœród których du¿¹ role odgrywaj¹, sprawdzone ju¿ na rynkach rozwiniêtych, modele neuronowe, nale¿¹ce do grupy metod sztucznej inteligencji. Literatura
[1] Adamski M., Pilarski K., Dach J.: Mo¿liwoœci wyko-rzystania wywaru gorzelnianego jako substratu w bio-gazowni rolniczej. Journal of Research and Applications in Agricultural Engineering, 2009, vol. 54(3): 10-15.
[2] Dach J., Zbytek Z., Pilarski K., Adamski M.: Badania efektywnoœci wykorzystania odpadów z produkcji biopaliw jako substratu w biogazowni. Technika Rolnicza Ogrodnicza Leœna, 2009, nr 6: 7-9.
[3] Hu, M.Y., Patowo B.E., Zhang G.: Forecating with artificial neural network. The state of art. International Journal of Forecasting, 1998, nr 14.
[4] Kavdir I., Guyer D. E.: Apple sorting using artificial neural
networks and spectral imaging. ASAE Meeting 2000, Presentation Paper Number: 2000, Vol. 45(6).
[5] Korbicz J. Obuchowicz A. Uciski D.: Sztuczne sieci neuronowe. Podstawy i zastosowania. Warszawa: Akad. Oficyna Wyd. RM, 1994.
[6] Koszela K., Boniecki P., Weres J.: Ocena efektywnoœci neuronowego prognozowania w oparciu o wybrane metody na przyk³adzie dystrybucji produktów rolniczych. In¿ynieria Rolnicza, 2005, 2(62).
[7] Oniszk-Pop³awska A., Zwosik M., Wiœniewski G.: Produkcja i wykorzystanie biogazu rolniczego. Gdañsk-Warszawa, 2003.
[8] Pilarski K., Dach J., Mioduszewska N.: Porównanie wydaj-noœci produkcji metanu z gnojowicy œwiñskiej i bydlêcej z dodatkiem gliceryny rafinowanej. Journal of Research and Applications in Agricultural Engineering, 2010, vol. 55(2): 78-81.
[9] Tadeusiewicz R.: Sieci neuronowe. Warszawa: Akad. Oficyna Wyd. RM, 1993.
[10]Zaborowicz M., Koszela K., Boniecki P.: Koncepcja wykorzystania sztucznych sieci neuronowych w procesie oceny jakoœci pomidorów. Journal of Research and Applications in Agricultural Engineering, 2011, vol. 56(1).
THE CONCEPT OF USAGE OF ARTIFICIAL NEURAL NETWORKS FOR FORECASTING
THE METHANE CONTENT IN THE SUBSTRATES
Summary
The artificial neural networks have been successfully used for analyzing of the complex systems, where some parameters describing the occurring phenomena are non-measurable or the precise measurement is very difficult. This publication presents the construction and functioning rules of the artificial neural networks as a tool for prediction of methane content in the biogas from agricultural bio-waste. Forecasting of the biogas content plays extremely important role in development of the optimal models for biogas plant management. Due to the resource base diversity the optimal prediction of biogas plant efficiency is very important. Therefore, the "black box" models which require less parameters than classic conceptual ones are very often successfully used.
artificial intelligence; neural networks; biological waste; biogas; methane; biogasworks; productivity; forecasting Key words:
Podrêcznik pt. adresowany jest do szerokiego
grona pracowników dydaktycznych i s³uchaczy uczelni przyrodniczych oraz u¿ytkowników maszyn rolniczych. Zawarto w nim podstawowe informacje z przedmiotu ”Technika rolnicza i eksploatacja maszyn rolniczych” wyk³adanego na ww. Uczelniach. Problematyka wyk³adów tego przedmiotu obejmuje charakterystykê szerokiego i niezwykle ró¿norodnego asortymentu maszyn i urz¹dzeñ technicznych. Wyczerpuj¹ce omówienie czy opisanie ca³oœci materia³u jest niemo¿liwe. Z tych te¿ wzglêdów w podrêczniku przedstawiono œciœle wyselekcjonowane partie materia³u - informacje podstawowe oraz te, które s¹ dzie³em autorów lub powsta³y przy znacz¹cym ich udziale. St¹d te¿, pomimo ¿e podrêcznik ma charakter pozycji dydaktycznej, nosi znamiona pracy monograficznej. Materia³ uzupe³niaj¹cy stanowi literatura zamieszczona na koñcu ka¿dego z rozdzia³ów.
tel. 061 87-12-200; fax 061 879-32-62;
e-mail: office@pimr.poznan.pl; Internet: http://www.pimr.poznan.pl MASZYNY ROLNICZE
Wydawca:
Bran¿owy Oœrodek Informacji Naukowej, Ekonomicznej i Normalizacyjnej Przemys³owy Instytut Maszyn Rolniczych
60-963 Poznañ, ul. Staro³êcka 31
