Parametric Models for Forest Industry Transformation in Energy Efficiency: Machine Learning Approach

Julkaisun otsikon käännös: Koneoppimismallinnus metsäteollisuuden energiatehokkuuden parantamisessa

Tutkimustuotos: Doctoral ThesisCollection of Articles

Abstrakti

Tämä väitöskirja perustuu teollisiin projekteihin sellu- ja paperiteollisuuden kanssa Pohjoismaassa. Työn pääpaino on termomekaanisen sellutehtaan (TMP) energiatehokkuuden kehittämisessä sekä TMP-tehtaan ja paperikoneen optimaalisessa integroinnissa lämmön talteenoton ja Energy Hub -konseptin avulla. Kehittyneitä tilastollisia menetelmiä ja koneoppimismenetelmiä on käytetty kehittämään jauhamisprosessiin ja kehittyneitä energiaa säästäviä jauhatusprosessin optimointimenetelmiä TMP-prosessiin. Tulokset osoittavat, että tarkka jauhatusprosessin identifiointimalli voitaisiin kehittää edistyneillä koneoppimismenetelmillä. Jauhatusenergian (kuten ominaisenergiankulutuksen) ja lopullisen massan laadun (kuten suotavuus ja kuidun pituus) ennustamiseen perustuvia jauhatusmalleja voidaan edelleen käyttää jauhatuksen ohjaus- ja optimointistrategian kehittämiseen. Tässä tutkimuksessa kehitetty optimointistrategia, joka perustuu koneoppimismenetelmien ja geneettisen optimointialgoritmin integrointiin, vahvistaa keskimääräisen 14 % vähennyksen jauhatusprosessin kokonaisenergiankulutuksessa. Seuraavassa TMP-tehtaan ja paperikoneen optimaalista integrointia on selvitetty Energy Hub (EH) -konseptin kautta. Ehdotettu lähestymistapa EH:n kustannus- ja energiatehokkaaseen suunnitteluun ja käyttöön perustuu lämpötaloudellisen analyysin, luotettavuus- ja käytettävyysanalyysin sekä EH-kuormituksen ennusteen yhdistämiseen. Ehdotettu lähestymistapa otettiin käyttöön ja arvioitiin ensimmäisen kerran energia- ja kustannustehokkaassa jäähdytys-, lämmitys- ja sähköjärjestelmän (CCHP) suunnittelussa, joka kattaa kerrostalon asuinrakennuksen tunnittaisen lämmitys- ja jäähdytystarpeen. Tulokset osoittavat, että ehdotettua menetelmää hyödyntämällä järjestelmän keskimääräisiä kokonaiskustannuksia voitaisiin vähentää 16% järjestelmän elinkaaren aikana. Koska esitetty menetelmä on osoittautunut tehokkaaksi asuinrakennusten EH-sovelluksissa, tätä menetelmää tarkasteltiin toisessa tapaustutkimuksessa (metsäteollisuus) TMP-tehtaan ja paperikoneiden optimaalisen integroinnin määrittämiseksi. Ehdotettu suunnittelumenetelmä tarjoaa vankan rakenteen, johon toimittamattoman kysynnän rangaistuskustannukset eivät vaikuta. Rangaistuskustannuksista riippuen järjestelmän kokonaiskustannukset voivat laskea 14–28 % ehdotetulla suunnittelumenetelmällä.
Julkaisun otsikon käännösKoneoppimismallinnus metsäteollisuuden energiatehokkuuden parantamisessa
AlkuperäiskieliEnglanti
PätevyysTohtorintutkinto
Myöntävä instituutio
  • Aalto-yliopisto
Valvoja/neuvonantaja
  • Syri, Sanna, Vastuuprofessori
  • Laukkanen, Timo, Ohjaaja
  • Holmberg, Henrik, Ohjaaja
Kustantaja
Painoksen ISBN978-952-64-1302-0
Sähköinen ISBN978-952-64-1303-7
TilaJulkaistu - 2023
OKM-julkaisutyyppiG5 Artikkeliväitöskirja

Tutkimusalat

  • sellu- ja paperiteollisuus
  • termomekaaninen selluprosessi
  • koneoppiminen
  • energiakeskus

Sormenjälki

Sukella tutkimusaiheisiin 'Koneoppimismallinnus metsäteollisuuden energiatehokkuuden parantamisessa'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä