Controlling Anaerobic Hybrid Reactors Using Neural Network and Fuzzy Logic Control (NNFC)

การควบคุมระบบบำบัดน้ำเสียไร้อากาศแบบลูกผสมโดยใช้นิวรอลเน็ตเวิร์กและฟัซซี่ลอจิกคอนโทรล

Name: Chaiwat Waewsak

Name: ชัยวัฒน์ แววศักดิ์

keyword: Anaerobic hybrid reactor

Abstract: This research purposes to apply the neural network and fuzzy logic in controlling the anaerobic hybrid reactor. This work was divided into three parts. In the first part, the four-layer feedforward neural network (1 input layer, 2 hidden layer and 1 output layer) based on the backpropagation algorithm was developed in which to predict important variables of pH, Alkalinity (Alk) and total volatile acids (TVA) in lab-scale anaerobic hybrid reactor. The neural network model was trained and validated by the data from operating the lab-scale anaerobic hybrid reactor to treat industrial tapioca starch wastewater. The model structure 6-25-20-1 gave the best results from the pH predicted neural network model in the training model. It had been shown a mean absolute percentage error (MAPE), the root mean square errors (RMSE) and correlation coefficient (R2) from the prediction of pH were 0.3709%, 0.0417 and 0.9128, respectively. While in the validating model, the MAPE and RMSE were 1.5620% and 0.1369, respectively. The 9-30-20-1 was the model structure of Alk predicted neural network model that presented the satisfied results in the training model with the MAPE, RMSE and R2 of Alk prediction of 5.1804%, 143.88 mg/l as CaC03 and 0.8193, respectively. In addition, the MAPE and RMSE from validating the Alk model were 11.7774% and 304.7962 mg/l as CaC03, respectively. The model structure 9-35-25-1 of TVA predicted neural network model illustrated that the best results of MAPE, RMSE and R2 in training model were 4.1257%, 36.8089 mg/l as acetic acid and 0.9198, respectively. The results in validating this model showed the value of MAPE and RMSE were 22.9957% and 149.9983 mg/l as acetic acid, respectively. It indicated that the four-layer neural network model developed is a good model in prediction of pH, Alk and TVA. Secondly, the fuzzy logic control system had been developed for controlling the influent feed flowrate in the anaerobic hybrid reactor. The process variables were pH, Alk and TVA and these variables were selected in order to use them as the input of the fuzzy sets and the influent feed flowrate was used as the output of the fuzzy set. This study selects the type of membership function as namely the generalized bell (gbellmf) which was the membership function of pH, Alk, TVA and influent feed flowrate. The 125 rules of if-then" rules were chosen to use in this fuzzy logic control systenl. During the experimental controlling, the synthesis wastewater was fed continuously with the concentrations of influent were in range 3-12 g/l. The anaerobic hybrid reactor was fed in range 1.91-3.811/d giving an organic loading rate (OLR) varied in range of 0.53-4.24 gCOD/l.d and the hydraulic retention time (HRT) were in range 2.83-5.64 d. The performance of anaerobic hybrid reactor controlling by the fuzzy logic control system was evaluated by the change of pH, Alk, TVA, biogas production rate, biogas composition and COD removal efficiency in the reactor during the operating time. From the experiment, pH value was 6.68-7.09 represented the suitable range for methanogens. The Alk were 1386-2764 mg/l as CaC03 showed good buffer capacity of the process, less TVA accumulation were varied in range 328-1052 mg/l as acetic acid and ratio of TVA to Alk was less than 0.4. Biogas was produced 2.54-16.20 lid during operating the reactor with CH4 and C02 content were 57-70% and 21-38%, respectively. These results illustrated that the trend of CH4 content generated from anaerobic hybrid reactor continued constant during the experiment. The majority ofCOD removal efficiency was more than 80% during all of the experiment. The fuzzy controller from this study was shown to be very good. It was found to be suitable for the controlling these variables of anaerobic hybrid reactor. The fuzzy logic control system can control the influent feed flowrate and maintain the stability of the anaerobic hybrid reactor. The third part, the neural-fuzzy control system was designed under the concept of the combination of the neural network model and fuzzy logic control system. The objectives of this study was to develop the neural-fuzzy control system by applying is neural network model for predicting the variables pH, Alk and TVA and fuzzy logic control system to use these predicted variables for calculating the influent feed flowrate of the anaerobic hybrid reactor. The neural network models structure was used in this study were 6-25-20-1 for pH prediction, 9-30-20-1 for Alk prediction and 9-35-25-1 for TVA prediction, respectively. The same fuzzy logic control system has been developed for controlling the influent feed flowrate in the anaerobic hybrid reactor. The pH, Alk and TVA were selected and used them as the input of the fuzzy sets and the influent feed flowrate was used as the output of the fuzzy set. The 125 rules of if-then" rules were same used and generalized bell (gbellmf) membership function had been chosen for the purpose of using as the membership function of pH, Alk, TVA and influent feed flowrate. The efficiency of the neural-fuzzy control system was analyzed from the performance study of anaerobic hybrid reactor that was controlled by this controller. During the experimental controlling, the synthesis wastewater was fed continuously with the concentrations of influent were in range 3-12 gil. The reactor was fed in range of 1.79-6.75 lid that were giving an OLR of the anaerobic hybrid reactor in range 0.50-5.64 gCOD/l.d and the HRT in range of 1.60-6.02 d. The monitoring factors such as pH, Alk, TVA, biogas production rate, biogas composition and COD removal efficiency were measured to control the performance and stability of the anaerobic system. The experiment results indicated that the pH values insignificantly changing that were varied in range of 6.68-6.94 during the operating time. Less TVA accumulation showed in range of 320 to 1277 nlg/1 as acetic acid and Alk varied in range 1532-2502 mg/l as CaC03, respectively. The TVA to Alk ratio inside the reactor was maintained at the value of less than 0.4 indicated the reactor still maintains the buffer capacity in sufficient value to maintain the process stability. The biogas production rate increase following the increasing of the OLR, the values were in range of 1.84-19.11 lid during the experiment time. CH4 and CO2 content quite constant, the values were varied in the range of 62-67% and 22-32%, respectively. The majority of COD removal efficiency was exceeding more than 84% during the experiment showed that the high treatment perfoffilance of the reactor. The reactor still succeeds in keeping the stability under the controlling by neural-fuzzy control system.

Abstract: งานวิจัยนี้ได้นำเอาหลักการของระบบนิวรอลเน็ตเวิร์กและฟัซซี่ลอจิกมาใช้สร้างเป็นระบบควบคุมของระบบบำบัดน้ำเสียไร้อากาศแบบลูกผสม งานวิจัยนี้ได้แบ่งการศึกษาออกเป็น 3 ส่วน งานวิจัยในส่วนแรกกล่าวถึงการสร้างระบบนิวรอลเน็ตเวิร์กที่มีโครงสร้างเป็นแบบ 4 ชั้นประกอบด้วยชั้นอินพุต 1 ชั้น ชั้นซ่อนเร้น 2 ชั้น และชั้นเอาท์พุต 1 ชั้น เพื่อใช้ทำนายค่าของ pH ค่าความเป็นด่าง (Alkalinity ; Alk) และปริมาณกรดอินทรีย์ระเหยง่ายทั้งหมด (Total volatile acids ; TVA) ในระบบบำบัดน้ำเสียไร้อากาศแบบลูกผสม นำข้อมูลที่ได้จากการทดลองการบำบัดน้ำเสียจากโรงงานผลิตแป้งมันสำปะหลัง ด้วยระบบบำบัดน้ำเสียไร้อากาศแบบลูกผสมที่อัตราภาระการรับสารอินทรีย์ต่างๆมาใช้ในการสอนและทดสอบระบบนิวรอลเน็ตเวิร์กโดยใช้วิธีการแพร่กระจายความผิดพลาดกลับในการหาค่าถ่วงน้ำหนักที่เหมาะสมให้กับระบบนิวรอลเน็ตเวิร์ก ผลจากการสอนระบบนิวรอลเน็ตเวิร์ก ทำการเปรียบเทียบระหว่างค่าที่ทำนายได้จากระบบนิวรอลเน็ตเวิร์กกับค่าที่ได้จากการทดลอง แสดงค่าในทางสถิติเป็นค่าร้อยละสัมบูรณ์ความผิดพลาดเฉลี่ย (Mean absolute percentage error ; MAPE) ค่ารากที่สองของค่าความผิดพลาดกำลังสองเฉลี่ย (Root mean square errors ; RMSE) และ Correlation coefficient (R2) พบว่าโครงสร้างของระบบนิวรอลเน็ตเวิร์กที่ดีที่สุดสำหรับการทำนายค่า pH คือ ระบบนิวรอลเน็ตเวิร์กที่มีโครงสร้างเป็นแบบ 6-25-20-1 มีค่า MAPE,RMSE และค่า R2 ในการทำนายค่า pH เท่ากับ 0.3709 %, 0.0417 และ 0.9128 ตามลำดับ และผลจากการทดสอบระบบนิวรอลเน็ตเวิร์กพบว่ามีค่า MAPE และ RMSE ในการทำนายค่า pH เท่ากับ 1.5620% และ 0.1369 ตามลำดับ โครงสร้างของระบบนิวรอลเน็ตเวิร์กที่ดีที่สุดสำหรับการทำนายค่า Alk คือระบบนิวรอลเน็ตเวิร์กที่มีโครงสร้างเป็นแบบ 9-30-20-1 MAPE, RMSE และค่า R2 ในการทำนายค่า Alk เท่ากับ 5.1804% , 143.88 mg/l as CaCO3 และ 0.8193 ตามลำดับ และ ผลจากการทดสอบระบบนิวรอลเน็ตเวิร์กพบว่ามีค่า MAPE และ RMSE ในการทำนายค่า Alk เท่ากับ 11.7774 % และ 304.7962 mg/l as CaCO3 ตามลำดับ โครงสร้างของระบบนิวรอลเน็ตเวิร์กที่ดีที่สุดสำหรับการทำนายค่า TVA คือ ระบบนิวรอลเน็ตเวิร์กที่มีโครงสร้างเป็นแบบ 9-35-25-1 มีค่า MAPE , RMSE และค่า R2 ในการทำนายค่า TVA เท่ากับ 4.1257 %, 36.8089 mg/l as acetic acid และ 0.9198 ตามลำดับ และผลจากการทดสอบระบบนิวรอลเน็ตเวิร์กพบว่ามีค่า MAPE และ RMSE ในการทำนายค่า TVA เท่ากับ 22.9957% และ 149.9983 mg/l as acetic acid ตามลำดับ ในงานวอจัยส่วนที่สองได้ทำการพัฒนาระบบควบคุมแบบฟัซซี่ขึ้นมาเพื่อใช้ในการควบคุมอัตราการไหลเข้าของน้ำเสียที่ป้อนเข้าสู่ระบบบำบัดน้ำเสียไร้อากาศแบบลูกผสมโดยมรวัตถุประสงค์เพื่อป้องกันการสะสมของกรดอินทรีย์ระเหยง่ายอันเป็นสาเหตุหนึ่งที่ทำให้ระบบเกิดการล้มเหลว ตัวแปรอินพุตและตัวแปรเอาท์พุตที่ใช้ในการสร้างระบบควบคุมแบบฟัซซี่คือ pH, Alk, TVA และอัตราการไหลเข้าของน้ำเสียที่ป้อนเข้าสู่ระบบบำบัดตามลำดับ และเลือกใช้ฟังก์ชันความเป็นสมาชิกเป็นแบบ generalized bell (gbellmf) จากตัวแปรดังกล่าวข้องต้นสามารถเขียนเป็นกฎการควบคุมและเลือกใช้กฎการควบคุมจำนวน 125 กฎ เพื่อใช้กับระบบควบคุมแบบฟัซซี่ ในการทดลองการควบคุมระบบบำบัดด้วยระบบควบคุมแบบฟัซซี่ น้ำเสียสังเคราะห์ที่มีความเข้มข้น 3-12 g/l ได้ป้อนเข้าสู่ระบบบำบัดแบบต่อเนื่อง ด้วยอัตราภาระการรับสารอินทรีย์ที่แตกต่างกันในแต่ละวันโดยมีค่าอัตราภาระการรับสารอินทรีย์อยู่ในช่วง 0.53-4.24 gCOD/l.d และระยะเวลากักเก็บน้ำเสียระหว่าง 2.83-5.64 วัน จากการทดลองพบว่าระบบควบคุมแบบฟัซซี่สามารถควบคุมอัตราการไหลเข้าของน้ำเสียที่ป้อนเข้าสู่ระบบบำบัดได้เป็นอย่างดี อีกทั้งยังสามารถรักษาเสถียรภาพของระบบบำบัดไว้โดยไม่ทำให้ระบบล้มเหลว ค่า pH, Alk และ TVA ภายในระบบบำบัดอยู่ในช่วง 6.68-7.09, 1386-2764 mg/l as CaCO3 และ 328-1052 mg/l as acetic acid ตามลำดับ และสามารถผลิตก๊าซชีวภาพได้ปริมาณ 2.54-16.20 l/d โดยมีองค์ประกอบของก๊าซมีเทนและก๊าซคาร์บอนไดออกไซด์ร้อยละ 57-70 และ 21-38 ตามลำดับ ประสิทธิภาพของระบบบำบัดน้ำเสียไร้อากาศแบบลูกผสมสามารถกำจัดปริมาณ COD ได้มากกว่าร้อยละ 80 ตลอดระยะเวลาการทดลอง ส่วนที่สามเป้นการพัฒนาระบบควบคุมนิวรอล-ฟัซซี่เน็ตเวิร์กเพื่อนำไปใช้ในการควบคุมระบบบำบัดน้ำเสียไร้อากาศแบบลูกผสม ระบบควบคุมนี้เป็นการนำระบบนิวรอลเน็ตเวิร์กที่ได้จากการทดลองส่วนแรกและรบบควบคุมแบบฟัซซี่ลอจิกที่ได้จากการทดลองส่วนที่สองมาทำงานร่วมกันโดยระบบนิวรอลเน็ตเวิร์กใช้เพื่อทำนายค่า pH, Alk และ TVA ส่วนระบบควบคุมแบบฟัซซี่จะใช้ในการควบคุมอัตราการไหลเข้าของน้ำเสียที่ป้อนเข้าสู่ระบบบำบัดเสียไร้อากาศแบบลูกผสม โครงสร้างของระบบนิวรอลเน็ตเวิร์กสำหรับการทำนายค่า pH, Alk และ TVA ในการทดลองส่วนที่สามนี้ใช้โครงสร้างเป็นแบบเดียวกันกับที่ได้จากการทดลองแรกคือ เป็นแบบ 6-25-20-1 , 9-30-20-1 และ 9-35-25-1 ตามลำดับ ระบบควบคุมแบบฟัซซี่ มีตัวแปรอินพุตและตัวแปรเอาท์พุตที่ใช้ในการสร้างระบบควบคุมแบบฟัซซี่คือ pH, Alk และ TVA และอัตราการไหลเข้าของน้ำเสียที่ป้อนเข้าสู่ระบบบำบัดตามลำดับ เลือกใช้ฟังก์ชันความเป้นสมาชิกเป็นแบบ generalized bell (gbellmf) และใช้กฎการควบคุมจำนวน 125 กฎ เช่นเดียวกับการทดลองส่วนที่สอง ในการทดลองการควบคุมระบบบำบัดด้วยระบบควบคุมแบบนิวรอล-ฟัซซี่เน็ตเวิร์กน้ำเสียสังเคราะห์ที่มีความเข้มข้น 3-12 g/l ได้ป้อนเข้าสู่ระบบบำบัดแบบต่อเนื่อง ด้วยอัตราภาระการรับสารอินทรีย์ที่แตกต่างกันในแต่ละวันโดยมีค่าอัตราภาระการรับสารอินทรีย์อยู่ในช่วง 0.50-5.64 gCOD/l.d และระยะเวลากักเก็บน้ำเสียระหว่าง 1.60-6.02 วัน ผลการทดลองพบว่าระบบควบคุมแบบนิวรอล-ฟัซซี่เน็ตเวิร์ก สามารถควบคุมอัตราการไหลเข้าของน้ำเสียที่ป้อนเข้าสู่ระบบบำบัดได้เป็นอย่างดี ไม่เกิดการสะสมของกรดอินทรีย์ระเหยง่ายในระบบและสามารถรักษาเสถียรภาพของระบบบำบัดไว้โดยไม่ทำให้ระบบล้มเหลวค่า pH, Alk และ TVA ภายในระบบบำบัดอยู่ในช่วง 6.68-6.94 ,1532-2502 mg/l as CaCO3 และ 320-1277 mg/l as acetic acid ตามลำดับ อัตราส่วนระหว่างค่ากรดอินทรีย์ระเหยง่ายทั้งหมดต่อค่าอัลคาไลต์นิตี้ (TVA/Alk ratio) มีค่าต่ำกว่า 0.4 ตลอดระยะเวลาการทดลองและสามารถผลิตก๊าซชีวภาพได้ปริมาณ 1.84-19.11 l/d โดยมีองค์ประกอบของก๊าซมีเทนและก๊าซคาร์บอนไดออกไซด์ร้อยละ 62-67 และ 22-32 ตามลำดับ ประสิทธิภาพของระบบบำบัดน้ำเสียไร้อากาศแบบลูกผสมสามารถกำจัดปริมาณ COD ได้มากกว่าร้อยละ 84 ตลอดระยะเวลาการทดลอง

King Mongkut's University of Technology Thonburi. KMUTT Library.

Address: BANGKOK

Email: info.lib@mail.kmutt.ac.th

Name: Pawinee Chaiprasert

Role: Advisor

Created: 2009

Modified: 2010-09-19

Issued: 2010-09-16

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: BIT611

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Biotechnology

Grantor: King Mongkut's University of Technology Thonburi

©copyrights King Mongkut's University of Technology Thonburi

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	BIT611.pdf	2.04 MB	103	2023-01-28 14:37:43
2	BIT611ab.pdf	61.49 KB	29	2021-03-02 14:56:15

ใช้เวลา

0.031457 วินาที