Optimal operation and alternative to change the production-well of geothermal power plant by using artificial neural network

การเดินเครื่องอย่างมีประสิทธิภาพและแนวทางการสลับท่อหลุมผลิตน้ำร้อนของโรงไฟฟ้าพลังงานความร้อนใต้พิภพโดยใช้เครือข่ายประสามเทียม

Name: Sitthilith Chanthamaly

LCSH: Electric power-plants

LCSH: Electric power-plants -- Piping

LCSH: Geothermal

LCSH: Neural networks (Computer science)

Abstract: This research presents an Artificial Neural Network (ANN) of Machine Learning (ML) for the predictive maintenance of production wells that require maintenance at a suitable time at the Fang Geothermal Power Plant in Thailand. The raw data covers a period of 48 months (between 2018 to 2021). The data is gathered from log sheets and historical records, covering 1460 instances. Then, this raw data is calculated in the Thermodynamic and Ratio Power Equation. For the ANN model, the dataset has been separated into two sections the training set and the testing set, including 664 instances in total. In general, there are two types of ANN models, including Classification Algorithms and Regression Algorithms. This study applies the ANN Classification Algorithms for simulating ANN models. The manual classification technique and the K-mean clustering algorithms are applied for determining the targets of the ANN model. In the simulation of the model, the K-mean clustering algorithms produced the best result, with 99.83% accuracy. The experiment demonstrates that the predictive maintenance could predict accurately, under established criteria, and inconsistent with the previous maintenance schedules. Therefore, the ANN model will assist operators in assessing and monitoring the system to prevent loss of power generation capacity. This means the model can support the maintenance activities and optimize the operation of the Fang Geothermal Power Plant. In the case of Alternative to Change, the Production-Well is developing predictive maintenance (PM) methods to enhance operational systems that are constant, reliable, and safe. PM technology has a function that can predict potential failures and enhance the management of machine systems. However, the decision-making process on the PM should concern the cost-effectiveness analysis (economic analysis). Thus, this paper discusses a combination of economic analysis and Machine learning (ML) in optimizing the adoption of PM. The Classification Artificial Neural Network (ANN) Algorithm of ML was selected for the PM process. The results of ML and economic analysis are used to define the optimal PM application. The economic analysis is to calculate the power production rise resulting from the prediction of the Classification ANN Model. The proposed approach is to compare the optimal approach in the decision-making on maintenance strategies. This study shows that the use of the ML algorithm can increase power production in the Geothermal Power Plant by an average of 17% in 4 years, with an energy power increase of about 276,444 kWh/year.

Abstract: งานวิจัยนี้นำเสนอโครงข่ายประสาทเทียม (ANN) ของแมชชีนเลิร์นนิง (ML) สำหรับการบำรุงรักษาเชิงพยากรณ์ของหลุมผลิตที่ต้องการการบำรุงรักษาในเวลาที่เหมาะสมที่โรงไฟฟ้าพลังความร้อนใต้พิภพฝางในประ เทศไทย ข้อมูลดิบครอบคลุมระยะเวลา 48 เดือน (ระหว่าง 2018 ถึง 2021) ข้อมูลถูกรวบรวมจากแผ่นบันทึกและบันทึกทางประวัติศาสตร์ ครอบคลุม 1460 ชุดข้อมูล จากนั้น ข้อมูลดิบนี้จะถูกคำนวณในสมการกำลังอุณหพลศาสตร์และอัตราส่วนกำลัง สำหรับโมเดล ANN ชุดข้อมูลถูกแยกออกเป็นสองส่วนสำหรับชุดการฝึกและชุดทดสอบ ซึ่งรวมชุดข้อมูลทั้งหมด 664 รายการการศึกษานี้ใช้อัลกอริทึมการจำแนกประเภท ANN สำหรับการจำลองแบบจำลอง ANN เทคนิคการจำแนกประเภทด้วยตนเองและอัลกอริธึมการจัดกลุ่ม K-mean ใช้สำหรับกำหนดเป้าหมายของโมเดล ANN ในการจำลองแบบจำลอง อัลกอริธึมการจัดกลุ่ม K-mean ให้ผลลัพธ์ที่ดีที่สุด โดยมีความแม่นยำ 99.83% การทดลองแสดงให้เห็นว่าการบำรุงรักษาเชิงคาดการณ์สามารถคาดการณ์ได้อย่างถูกต้อง ภายใต้เกณฑ์ที่กำหนดไว้ และ สอดคล้องกับตารางการบำรุงรักษาก่อนหน้านี้ ดังนั้น โมเดล ANN จะช่วยโอเปอเรเตอร์ในการประเมินและตรวจสอบระบบ เพื่อป้องกันการสูญเสียกำลังการผลิตไฟฟ้าซึ่งหมายความว่าแบบจำลองสามารถรองรับกิจกรรมการบำรุงรักษาและเพิ่มประสิทธิภาพการทำงานของโรงไฟฟ้าพลังความร้อนใต้พิภพฝาง ในกรณีของการบำรุงรักษาเชิงพยากรณ์ทางเลือกที่เหมาะสมในการสลับท่อหลุมผลิตแม่นเพื่อปรับปรุงระบบปฏิบัติการที่คงที่ เชื่อถือได้ และปลอดภัย เทคโนโลยี PM มีฟังก์ชันที่สามารถคาดการณ์ความล้มเหลวที่อาจเกิดขึ้นและปรับปรุงการจัดการระบบเครื่องจักร อย่างไรก็ตาม ในกระบวนการตัดสินใจทำ PM จะเกี่ยวข้องกับการวิเคราะห์ความคุ้มค่า (การวิเคราะห์ทางเศรษฐศาสตร์) ดังนั้น บทความนี้จึงกล่าวถึงการผสมผสานระหว่างการวิเคราะห์ทางเศรษฐศาสตร์และการเรียนรู้ของเครื่อง (ML) ในการเพิ่มประสิทธิภาพการนำ PM มาใช้ อัลกอริธึม Classification Artificial Neural Network (ANN) ของ ML ได้รับเลือกสำหรับกระบวนการ PM ผลลัพธ์ของ ML และการวิเคราะห์ทางเศรษฐศาสตร์นั้นใช้เพื่อกำหนดความเหมาะสมในการทำ PM การวิเคราะห์ทางเศรษฐศาสตร์คือการคำนวณการเพิ่มขึ้นของการผลิตไฟฟ้าที่เกิดจากการทำนายแบบจำลอง ANN การจัดประเภท แนวทางที่เสนอคือการเปรียบเทียบแนวทางที่เหมาะสมที่สุดในการตัดสินใจเกี่ยวกับกลยุทธ์หลืวิธีการี่จะใช้ในการบำรุงรักษาการ. ศึกษานี้แสดงให้เห็นว่าการใช้อัลกอริธึม ML สามารถเพิ่มการผลิตพลังงานในโรงไฟฟ้าพลังงานความร้อนใต้พิภพได้โดยเฉลี่ย 17% ในไลยะเวลา 4 ปี โดยเพิ่มขึ้นประมาณ 276,444 กิโลวัตต์ต่อชั่วโมง/ปี.

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Anucha Promwungka

Role: Advisor

Created: 2022

Modified: 2023-07-22

Issued: 2023-07-22

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Engineering

Level: Master's Degree

Descipline: Energy Engineering

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	620631138.pdf	1.85 MB

ใช้เวลา

0.023544 วินาที