کاربرد بینی الکترونیک جهت پایش و استخراج الگوی پیش بینی وضعیت هاضم بیوگاز آزمایشگاهی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران

2 استاد، گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

3 استاد، گروه مهندسی مکانیک ماشینهای کشاورزی ، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

4 استادیار، گروه پژوهشی بیوتکنولوژی میکروبی، پژوهشکده بیوتکنولوژی کشاورزی ایران.

چکیده

کنترل فرایند و پایش در عملیات تولید بیوگاز  نیازمند اندازه­گیری پارامترهای مختلفی می­باشد. بنابراین روش‌هایی که با استفاده از تجهیزات مقاوم و ارزان با سرعت و دقت مناسب، توانایی بیان اثر ترکیبی از پارامترها را نشان دهند ارزش بالایی دارند. در این تحقیق  رابطه بین شاخص حجم تولید روزانه بیوگاز و داده­های آرایه حسگری سامانه بینی الکترونیک  ویژه بیوگاز جهت تفسیر و پیش­بینی وضعیت هاضم بیوگاز بررسی شده است. جهت تولید بیوگاز از هاضم­های یک لیتری ناپیوسته (Batch) در دمای مزوفیل با ترکیب­های مختلف دو نوع خوراک  استفاده شد. وضعیت هر هاضم با توجه به نرخ تولید بیوگاز آن به دو گروه متعادل و نامتعادل تعریف شد. داده­های آرایه حسگری هر هاضم نیز با روش­ تحلیل خوشه بندی (CA) به دو گروه 1 و2 تقسیم شدند که به ترتیب با گروه متعادل و نامتعادل متناظر هستند. با تحلیل دو نمودار اسکور داده­ها و همبستگی حسگرها در PCA، مشخص شد که دو حسگر MQ4 و MQ136  به عنوان شاخص­های اصلی جهت تشخیص دو گروه و بقیه حسگرها نیز در تفسیر وضعیت هاضم نقش دارند. با داده­های آرایه حسگری جمع آوری شده از هاضم­ها، الگوی پیش‌بینی وضعیت آنها توسط تحلیل تفکیک خطی (LDA) با دقت طبقه بندی 100% و مقدار خطای  0476/0 استخراج شد. دقت پیش بینی الگو در تشخیص وضعیت هاضم  25/81 درصد است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Application of Electronics Nose to Monitor and Extract the Predictive Modeling for Lab-Scale Biogas Digester Conditions

نویسندگان [English]

  • Ehsan Savand-Roumi 1
  • Seyed Saeid Mohtasebi 2
  • shahin rafiee 3
  • Hossein Ghanavati 4
1 Ph.D Student, Faculty of Agricultural Engineering and Technology, University of Tehran, Karaj, Iran
2 Professor, Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering and Technology, University College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran
3 Professor, Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering and Technology, University College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran
4 Microbial Biotechnology Department, Agricultural Biotechnology Research Institute of Iran (ABRII), Agricultural research, Extension, and Education Organization (AREEO), Karaj, Iran
چکیده [English]

Process control and monitoring in operation of biogas production require various parameters to be measured. Therefore, the methods that express the effect of combination of parameters via robust and inexpensive equipment for fast and accurate measurement have high value.  In this research, the relationship between the indicator of daily production of biogas and the signals of the gas sensor array in an electronic nose system designated for biogas has been investigated to analyze and predict the condition of biogas digester in laboratory scale. To produce biogas, 1 liter batch digesters were fed by different combinations of two substrates at mesophilic condition. The Sensor array signals of each digester were divided into two groups of 1 and 2 by the clustering analysis (CA) method, which correspond to the balanced and imbalanced groups, respectively.  By analyzing score plot and also correlation loading in the PCA, MQ-4 and MQ-136 sensors were determined as main indicators for detecting the two groups and rest of sensors also contribute to interpret conditions of digesters. At final, to predict the conditions, a pattern recognition was defined by sensor array signals of all digesters in linear discriminant analysis (LDA) that the classification accuracy and resubstitution error were 100%   and 0.0476 respectively, also the accuracy of the prediction pattern was 81.25%.

کلیدواژه‌ها [English]

  • "Biogas digester"
  • "Sensor Array"
  • " Principal Components"
  • " Linear Discriminant"
Abbasi, T., Tauseef, S.M. & Abbasi, S.A. (2012) Biogas Energy, Springer Science, DOI 10.1007/978-1-4614-1040-9.
Adam, G., Lemaigre, S., Goux, X., Delfosse, Ph. & Romain, A-C. (2015) Upscaling of an electronic nose for completely stirred tank reactor stability monitoring from pilot-scale to real-scale agricultural co-digestion biogas plant, Bioresource Technology 178: 285–296.
Adam, G., Lemaigre, S., Romain, A.C., Nicolas, J. & Delfosse, P. (2013) Evaluation of an electronic nose for the early detection of organic overload of anaerobic digesters. Bioprocess Biosyst. Eng. 36: 23–33.
 Al Seadi, T., Rutz, D., Prassl, H., Köttner, M., Finsterwalder, T., Volk, S. & Janssen, R. (2008). Biogas Handbook University of Southern Denmark Esbjerg, 125 pages.
Angelidaki, I., Madalena, A., Bolzonella, D., Borzacconi, L., Campos, L., Guwy, A., Jenicek, P., Kalyuzhnui, S., & van Lier, J. (2006). Anaerobic Biodegradation, Activity and Inhibition (ABAI). Task Group Meeting, 9-10 October 2006, Prague, Institute of Environmental & Resources, Technical University of Denmark.
Arshak, K., Moore, E., Lyons, G.M., Harris, J. & Clifford, S. (2004). A review of gas sensors employed in electronic nose applications. Sensor Review, 24 (2), 181–198.
Boe, K. (2006). Online monitoring and control of the biogas process. Ph.D. dissertation, Institute of Environment & Resources Technical University of Denmark.
Calderón, A. J. & González, I. (2018). Biogas Analyzer Based on Open Source Hardware:Design and Prototype Implementation, Sensors & Transducers, Vol. 220, Issue 2, 31-36.
Capelli, L., Sironi, S. & Rosso, R. D. (2014) Electronic Noses for Environmental Monitoring Applications. Sensors 2014, 14, 19979-20007; doi:10.3390/s141119979.
Chen, Y., J. Cheng, J. & S. Creamer, K. (2008).  Inhibition of anaerobic digestion process: A review, Bioresource Technology 99, 4044–4064.
Deublein, D. & Steinhauser, A. (2008) Biogas from Waste and Renewable Resources. An Introduction. WILEY-VCH Verlag GmbH & Co. KGaA, Weinheim.
DROSG, B., (2013). Process Monitoring in Biogas Plants, IEA Bioenergy Task 37 report, December 2013. ISBN 978-1-910154-02-1 (printed) ISBN 978-1-910154-03-8 (eBook)
Farmanesh, A., Mohtasebi, S. S. & Omid, M.(2019) Optimization of rendering process of poultry by-products with batch cooker model monitored by electronic nose. Journal of Environmental Management 235, 194–201.
Ghasemi-Varnamkhasti, M., Mohtasebi, S. S., Siadat, M., Ahmadi, H., Razavi, S. H., & Dicko, A. (2011). Aging fingerptint characterization of beer using electronic nose. Sensors and Actuators B, 159, 51–59.
 Guwy, A.J. (2004). Equipment used for testing anaerobic biodegradability and activity. Reviews in Environmental Science and Bio/Technology, Vol. 3, p.p 131–139.
Herout, M., Malaťák, J., Kučera, L. & Dlabaja T. (2011). Biogas composition depending on the type of plant biomass used. Res. Agr. Eng., 57: 137–143.
Marco, S. & Gutiérrez-Gálvez, A. (2012). Signal and Data Processing for Machine Olfaction and Chemical Sensing: A Review. IEEE SENSORS JOURNAL, VOL. 12, NO. 11, IEEE-06183455.
Mohtasebi, s. s, Keramat Jahromi, M. & Savandroumi, E. (2019). Laboratory electronic nose. Iranian Research Organization for Science and Technology (IROST). DOI: 10.22104/IROST.1397.236 (In Farsi)
Nicolas, J., Romain, A. & Ledent, C. (2006). The electronic nose as a warning device of the odour emergence in a compost hall. Sensors and Actuators B 116, 95–99.
Nijaguna, B. T. (2002).  ”Biogas Technology. ,” New Age International, pp.46-48,
Pearce, T.C., Schiffman, S.S., Nagle, H.T. & Gardner, J.W. (2003). Handbook of Machine Olfaction: Electronic Nose Technology. WILEY-VCH Verlag GmbH & Co. KGaA, Weinheim.
 Pham, C. H, Triolo, J. M, Cu, T. T. T., Pedersen, L. & Sommer, S. G. (2013). Validation and recommendation of methods to measure biogas production potential of animal manure. Asian-Australasian journal of animal sciences 26 (6), 864.
Schnurer, A. and & Jarvis, A. (2009). Microbiological Handbook for Biogas Plant. Swedish Waste Management, Swedish Gas Centre, Malmö, 1-74.
Scott, S. M., James, D., & Ali, Z. (2006). Data analysis for electronic nose systems. Microchimica Acta, 156(3-4), 183-207.
 Steffen, R., Szolar, O. & Braun, R. (1998). Feedstocks for anaerobic digestion. Institute for Agrobiotechnology Tulln. University of Agricultural Sciences, Vienna. Systems. Microchim. Acta, vol. 156, nos. 3–4, pp. 183–207.
Tohidi, M., GhasemiVarnamkhasti, M., Ghafarinia, V., Mohtasebi, S.S. & Bonyadian, M. (2018). Identification of trace amounts of detergent powder in raw milk using a customized low-cost artificial olfactory system: a novel method, Measurement, 124 (2018), pp. 120-129.
Wellinger, A., Murphy, J. & Baxter, D. (2013) The biogas handbook. Woodhead Publishing Series in Energy No. 52.
Yang, S., Liu, Y., Wu, N., Zhang, Y., Svoronos, S. & Pullammanappallil, P. (2019). Low-cost, Arduino-based, portable device for measurement of methane composition in biogas, Renewable Energy 138, 224-229.
Zafar, S. (2008). Anaerobic Digestion of Biomass. Retrieved January 21, 2019, Alternative energy news, and information about renewable energy technologies, from http://www.alternative-energy-news.info/anaerobic-digestion-biomass/.
Zafar, S. (2018). Negative Impacts of Incineration-based Waste-to-Energy Technology. Retrieved January 21, 2019, Alternative energy news, and information about renewable energy technologies, from http://www.alternative-energy-news.info/negative-impacts-waste-to-energy