ارزیابی سامانه تشخیص درصد خلوص بیودیزل پالم توسط فناوری طیف‌سنجی دی‌الکتریکی و ماشین بینایی

زاهدی, علیرضا; رشوند, مهدی; شایان‌نژاد, اردشیر

ارزیابی سامانه تشخیص درصد خلوص بیودیزل پالم توسط فناوری طیف‌سنجی دی‌الکتریکی و ماشین بینایی

نوع مقاله : علمی-پژوهشی

نویسندگان

¹ دانشکده فناوری‌های نوین، دانشگاه علم و صنعت ایران، تهران، ایران

² پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران

چکیده

بیودیزل یک سوخت پاک و جایگزینی برای دیزل به شمار می‌رود که تنها از منبع های تجدید پذیر مانند روغن‌های گیاهی و حیوانی تهیه می‌شود. از این رو عمده ‌ترین روش سوءاستفاده در این سوخت، مخلوط کردن سوخت‌های ارزان‌قیمت دیگر مانند دیزل به بیودیزل خالص است. بنابراین هدف این پژوهش ارزیابی یک سامانه هوشمند به‌منظور تشخیص درصد خلوص سوخت بیودیزل به کمک تلفیق طیف‌‌سنجی دی‌الکتریک و فناوری پردازش تصویر می‌باشد. به منظور استفاده از فناوری دی‌الکتریک با گذاشتن ماده در بین حسگر خازنی با توجه به محتوای خود، اثرهای گوناگونی روی ظرفیت خازن می‌گذارد. همچنین در راستای بهره‌گیری از ماشین‌بینایی از فناوری پردازش تصویر استفاده شد. بدین منظور تصویر هم زمان با داده‌برداری توسط سامانه دی‌الکتریک گرفته شد و سپس در فضاهای رنگی RGB ، L*A*B* و CMY مورد تجزیه و تحلیل قرار گرفت. به ‌منظور طبقه‌بندی نمونه‌های بیودیزل تقلبی و اصلی با استفاده از ویژگی‌های فرکانسی و رنگی، از فناوری های آنالیز مؤلفه‌های اصلی، تحلیل جداسازی خطی، درخت تصمیم‌گیری، ماشین بردار پشتیبان و شبکه عصبی مصنوعی استفاده‌ شد. بهترین شبکه با ساختار 36-6-1 برای پیش‌بینی نمونه‌های مخلوط شده بیودیزل پالم و دیزلمقدارهای ضریب همبستگی و میانگین مربعات خطا را به ترتیب 944/0 و 006/0 ارائه داد. در گام پایانی از ترکیب ویژگی های دی‌الکتریک و رنگی به منظور مدل‌سازی مسئله استفاده شد. مقدارهای ضریب همبستگی و میانگین مربعات خطا برای نمونه‌های مخلوط شده بیودیزل و دیزل برابر 962/0 و 008/0 با ساختار 38-2-1 به دست آمد. نتیجه های ارزیابی‌ها نشان می‌دهد که دستگاه طراحی‌شده توانایی تشخیص درصد خلوص سوخت بیودیزل را با دقت بالایی دارا است.

کلیدواژه‌ها

موضوعات

انرژی، انتقال حرارت

مراجع

[1] Ardebili M.S., Ghobadian B., Najafi G., Chegeni A., Biodiesel Production Potential from Edible Oil Seeds in Iran, Renewable and Sustainable Energy Reviews, 15: 3041-3044 (2011).

[2] Ferella F., Di Celso G.M., De Michelis I., Stanisci V., Vegliò F., Optimization of the Transesterification Reaction in Biodiesel Production, Fuel, 89: 36-42 (2010).

[3] Banerjee A., Chakraborty R., Parametric Sensitivity in Transesterification of Waste Cooking Oil for Biodiesel Production - A Review, Resources, Conservation and Recycling, 53: 490-497 (2009).

[4] Caruana C.M., Pollution Control Drives New Interest in Biodiesel, Chemical Engineering Progress, 84 (No.): 14–18 (2000).

[5] Demirbas, A., Progress and Recent Trends in Biofuels. Progress in Energy and Combustion Science, 33: 1-18 (2007).

[6] Bautista L.F., Vicente G., Rodriguez R., Pacheco M., Optimisation of FAME Production from Waste Cooking Oil for Biodiesel Use, Biomass and Bioenergy, 33: 862-872 (2009).

[7] Zhang Y., Dube M., McLean D., Kates M., Biodiesel Production from Waste Cooking Oil: 1. Process Design and Technological Assessment, Bioresource Technology, 89: 1-16 (2003).

[8] Lizhi H., Toyoda K., Ihara I., Discrimination of Olive Oil Adulterated with Vegetable Oils Using Dielectric Spectroscopy, Journal of Food Engineering, 96: 167-171 (2010).

[9] Marchal P.C., Gila D.M., García J.G., Ortega J.G., Expert System Based on Computer Vision to Estimate the Content of Impurities in Olive Oil Samples, Journal of Food Engineering, 119: 220-228 (2013)

[10] Diniz Carvalho C., Barros A.K., Lopes M.V., Silva F.C., Santana E.E., Sinfrônio F.S.M., Determination of the Composition of Biodiesel-Diesel Blends Using the Dielectric Constant, Instrumentation Science & Technology, 44: 377-385 (2016).

[11] M'Peko J.-C., Reis D.L., De Souza J.E., Caires A.R., Evaluation of the Dielectric Properties of Biodiesel Fuels Produced from Different Vegetable Oil Feedstocks Through Electrochemical Impedance Spectroscopy, International Journal of Hydrogen Energy, 38: 9355-9359 (2013).

[12] Özçimen D., An Approach to the Characterization of Biochar and Bio-Oil, Renewable Energy for Sustainable Future, iConcept Press: 41-58 (2013).

[13] Mollazade K., Omid M., Arefi A., Comparing Data Mining Classifiers for Grading Raisins Based on Visual Features, Computers and Electronics in Agriculture, 84: 124-131 (2012).

[14] Breiman L., Friedman J., Stone C.J., Olshen R.A., Classification and Regression Trees, CRC Press (1984).

[15] Kattan M.W., Beck J.R., Artificial Neural Networks for Medical Classification Decisions, Archives of Pathology & Laboratory Medicine, 119: 672-677 (1995).

[16] Scott S.M., James D., Ali Z., Data Analysis for Electronic Nose Systems, Microchimica Acta, 156: 183-207 (2006)

[17] Ghasemi-Varnamkhasti M., Mohtasebi S.S., Siadat M., Lozano J., Ahmadi H., Razavi S.H., Dicko A., Aging Fingerprint Characterization of Beer Using Electronic Nose, Sensors and Actuators B: Chemical, 159: 51-59 (2011).

[18] Soltani M., Omid M., Alimardani R., Egg Quality Prediction Using Dielectric and Visual Properties Based on Artificial Neural Network, Food Analytical Methods, 8: 710-717 (2015).