MISCIBLE: DEEP TECH Research


33 views

-

MISCIBLE: DEEP TECH Research

งานวิจัยเชิงลึกด้าน Fluid Mixing Technology โดยใช้เทคนิคโครงข่ายประสาทเทียม (Artificial Neural Network), กระบวนการออกแบบความเร็วรอบที่เหมาะสมสำหรับการสร้างการกระจายตัวแบบสม่ำเสมอ (Uniform suspension speed, Nus) ของกระบวนการ solid-liquid suspension เป็นสิ่งที่มีความซับซ้อนเนื่องด้วยมีหลายพารามิเตอร์ในระบบการผสม ทั้งนี้ก่อนจะได้มาซึ่ง Nus ผู้ออกแบบต้องมีการประเมิณสภาวะแวดล้อมของระบบการผสมก่อนว่าสามารถก่อให้เกิดสภาวะการกระจายตัวแบบสม่ำเสมอได้หรือไม่ และ ต้องผ่านกระบวนการออกแบบหาความเร็วรอบเบื้องต้นที่ก่อให้เกิดการกระจายตัว (Just suspension speed, Njs) ตามทฤษฎีของ ZWEITERING, การเข้าใจหลักการของ Degree of suspension ก่อนอีกด้วย ซึ่งมีความยุ่งยากในสมการคณิตศาสตร์อีกทั้งต้องใช้ประสบการณ์การผ่านการทดสอบงานจริงที่ยาวนาน ซึ่งผู้ออกแบบที่ไม่มีประสบการณ์ หรือ มีข้อมูลด้านกลศาสตร์ของไหลไม่มากนักไม่สามารถออกแบบได้เลย

งานวิจัยนี้มีวัตถุประสงค์ในการใช้โครงข่ายประสาทเทียมสร้างความสัมพันธ์เชิงตัวเลข เพื่อ (1). คัดกรองสภาวะที่มีความเป็นไปได้ของการเกิดสภาวะการกระจายตัวแบบสม่ำเสมอได้ (Uniform suspension) และ (2). ทำนายความเร็วที่ก่อให้เกิดสภาวะการกระจายตัวแบบสม่ำเสอม (Uniform suspension speed)

วิธีดำเนินการวิจัยแบ่งเป็น 2 ขั้นตอน คือ ขั้นตอนที่ 1 การพัฒนา Artificial Neural Network เพื่อการคัดกรองพารามิเตอร์ที่เกี่ยวข้องจำนวน 14 ปัจจัย  ขั้นตอนที่ 2 การพัฒนา Artificial Neural Network สำหรับพยากรณ์ค่าความเร็วรอบของการกระจายตัวแบบสม่ำเสมอ (uniform suspension speed, Nus) การวิจัยนี้ใช้ข้อมูลจากการออกแบบและใช้งานถังผสมของแข็งในของเหลวในอุตสาหกรรมผลิตแป้งมันสำปะหลังของบริษัทฯ ซึ่งเป็นข้อมูลจริงที่ได้จากการทำงานและทดสอบแล้ว จำนวน 3780 ข้อมูลสำหรับขั้นตอนที่ 1 และ 3930 ข้อมูลสำหรับขั้นตอนที่ 2 โดยแบ่งสัดส่วนข้อมูลที่ใช้สอน Artificial Neural Network และ ข้อมูลใช้ทดสอบในสัดส่วน 80 : 20

ผลการศึกษา พบว่าโครงข่ายประสาทเทียมที่พัฒนาขึ้น ซึ่งมีวิธีการเรียนรู้แบบ Back Propagation ในขั้นตอนที่ 1 โครงข่ายประสาทเทียมสามารถวิเคราะห์และตัดสินใจปัจจัยที่เหมาะสมได้อย่างแม่นยำทุกครั้งจากการทดสอบ 70 ครั้ง สำหรับขั้นตอนที่ 2 โครงข่ายประสาทเทียมสามารถพยากรณ์ค่าความเร็วรอบได้อย่างถูกต้องโดยมี ค่า R2 เท่ากับ 0.93 มีค่าความผิดพลาดเฉลี่ย 3.11 เปอร์เซ็นต์ 

จากงานวิจัยนี้ ทำให้บริษัทฯ สามารถลดขั้นตอนการออกแบบ, เพิ่มความแม่นยำ และ ใช้เทคโนโลยีปัญญาประดิษฐ์ เพื่อประโยชน์ได้อย่างมีประสิทธิภาพ

ผู้วิจัย: สถาพร เลี้ยงศิริกูล / บจก.มิสซิเบิล เทคโนโลยี




Blogs