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

کنترل فرایند و پایش در عملیات تولید بیوگاز  نیازمند اندازه گیری پارامترهای مختلفی می باشد. 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 داده های آرایه حسگری سامانه بینی الکترونیک  ویژه بیوگاز جهت تفسیر و پیش بینی وضعیت هاضم بیوگاز بررسی شده است. جهت تولید بیوگاز از هاضم های یک لیتری ناپیوسته (batch) در دمای مزوفیل با ترکیب های مختلف دو نوع خوراک  استفاده شد. وضعیت هر هاضم با توجه به نرخ تولید بیوگاز آن به دو گروه متعادل و نامتعادل تعریف شد. داده های 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 داده ها و همبستگی حسگرها در pca، مشخص شد که دو حسگر mq4 و mq136  به عنوان شاخص های اصلی جهت تشخیص دو گروه و بقیه حسگرها نیز در تفسیر وضعیت هاضم نقش دارند. با داده های آرایه حسگری جمع آوری شده از هاضم ها، الگوی پیش‌بینی وضعیت آنها توسط تحلیل تفکیک خطی (lda) با دقت طبقه بندی 100% و مقدار خطای  0.0476 استخراج شد. دقت پیش بینی الگو در تشخیص وضعیت هاضم  81.25 درصد است.

Application of Electronics Nose to Monitor and Extract the Predictive Modeling for LabScale Biogas Digester Conditions

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, MQ4 and MQ136 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%.