كاربرد بيني الكترونيك جهت پايش و استخراج الگوي پيش بيني وضعيت هاضم بيوگاز آزمايشگاهي

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

كنترل فرايند و پايش در عمليات توليد بيوگاز نيازمند اندازه­ گيري پارامترهاي مختلفي مي ­باشد. بنابراين روش‌هايي كه با استفاده از تجهيزات مقاوم و ارزان با سرعت و دقت مناسب، توانايي بيان اثر تركيبي از پارامترها را نشان دهند ارزش بالايي دارند. در اين تحقيق رابطه بين شاخص حجم توليد روزانه بيوگاز و داده­ هاي آرايه حسگري سامانه بيني الكترونيك ويژه بيوگاز جهت تفسير و پيش ­بيني وضعيت هاضم بيوگاز بررسي شده است. جهت توليد بيوگاز از هاضم­ هاي يك ليتري ناپيوسته (Batch) در دماي مزوفيل با تركيب­ هاي مختلف دو نوع خوراك استفاده شد. وضعيت هر هاضم با توجه به نرخ توليد بيوگاز آن به دو گروه متعادل و نامتعادل تعريف شد. داده­ هاي آرايه حسگري هر هاضم نيز با روش­ تحليل خوشه بندي (CA) به دو گروه 1 و 2 تقسيم شدند كه به ترتيب با گروه متعادل و نامتعادل متناظر هستند. با تحليل دو نمودار اسكور داده ­ها و هم بستگي حسگرها در PCA، مشخص شد كه دو حسگر MQ4 و MQ136 به عنوان شاخص ­هاي اصلي جهت تشخيص دو گروه و بقيه حسگرها نيز در تفسير وضعيت هاضم نقش دارند. با داده­ هاي آرايه حسگري جمع آوري شده از هاضم­ ها، الگوي پيش‌بيني وضعيت آنها توسط تحليل تفكيك خطي (LDA) با دقت طبقه بندي 100% و مقدار خطاي 0/0476 استخراج شد. دقت پيش بيني الگو در تشخيص وضعيت هاضم 81/25 درصد است.

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%.