การพยากรณ์ปริมาณและความเข้มข้นสารฟลอกคูแลต์ในกระบวนการพักใสสำหรับอุตสาหกรรมการผลิตน้ำตาลจากอ้อย

สิงหดิศร์ จันทรักษ์

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/80026

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	ประภาส จงสถิตย์วัฒนา	-
dc.contributor.author	สิงหดิศร์ จันทรักษ์	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์	-
dc.date.accessioned	2022-07-23T05:12:46Z	-
dc.date.available	2022-07-23T05:12:46Z	-
dc.date.issued	2564	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/80026	-
dc.description	วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564	-
dc.description.abstract	กระบวนการพักใสเป็นกระบวนการที่สำคัญในกระบวนการผลิตน้ำตาล ซึ่งกระบวนการมีการทำงานเพื่อแยกระหว่างตะกอนกับน้ำอ้อยออกจากกันโดยใช้สารฟลอกคูแลนต์ โดยในการใส่ปริมาณและความเข้มข้นสารฟลอกคูแลนต์ลงไปในน้ำอ้อยทำให้ส่งผลกระทบโดยตรงต่อความเร็วการตกตะกอนและค่าความขุ่นของน้ำอ้อย วิทยานิพนธ์เล่มนี้เสนอวิธีการพยากรณ์ปริมาณและความเข้มข้นสารฟลอกคูแลต์ในกระบวนการพักใสสำหรับอุตสาหกรรมการผลิตน้ำตาลจากอ้อย โดยใช้โครงข่ายประสาทเทียมแบบวนซ้ำชนิดพิเศษ Long Short-Term Memory โดยข้อมูลที่นำมาใช้เป็นข้อมูลขาเข้าสำหรับการสร้างโมเดลได้แก่ ปริมาณอ้อยสด, ปริมาณอ้อยเผา, ความขุ่นของน้ำอ้อย และปริมาณน้ำฝน และข้อมูลขาออกได้แก่ ปริมาณและความเข้มข้นของสารฟลอกคูแลนต์ ทั้งนี้ข้อมูลที่ได้นำมาจากโรงงานผลิตน้ำตาลแห่งหนึ่งในประเทศไทย ผลการทดลองแสดงให้เห็นถึงประสิทธิภาพของโมเดลที่ได้นำเสนอ LSTM โดยการเปรียบเทียบกับโมเดลอื่นๆ ได้แก่ Autoregressive Integrated Moving Average (ARIMA), Recurrent Neural Network (RNN) และ Gated Recurrent Unit (GRU) โดยใช้ตัวแปร RMSE และ MAPE เป็นตัววัดประสิทธิภาพของโมเดล พบว่าโมเดลที่นำเสนอมีประสิทธิภาพที่สุดในการพยากรณ์ปริมาณและความเข้มข้นของสารฟลอกคูแลนต์	-
dc.description.abstractalternative	The clarification process is an important part of sugarcane production. This process is used for separating sediment and sugarcane juice by adding flocculant. The addition of quantity and concentration of flocculant directly affects the settling rate and turbidity of sugarcane juice. This paper proposes a model for forecasting quantity and concentration of flocculant by using Long Short-Term Memory (LSTM) Neural Network. Input data consists of green cane, burn cane, turbidity, and rainfall. Output data includes quantity and concentration of flocculant. Raw data was collected from top sugarcane factory and meteorological department in Thailand. The results are the forecast of the quantity and concentration of flocculant for one day in advance. The performance of LSTM is compared to the autoregressive integrated moving average (ARIMA), recurrent neural network (RNN), and gated recurrent unit (GRU) using root mean square error and mean absolute percent error. The result indicates that LSTM has the best performance. The forecast helps the operator in clarification process to prepare the flocculant.	-
dc.language.iso	th	-
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2021.956	-
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.subject.classification	Engineering	-
dc.title	การพยากรณ์ปริมาณและความเข้มข้นสารฟลอกคูแลต์ในกระบวนการพักใสสำหรับอุตสาหกรรมการผลิตน้ำตาลจากอ้อย	-
dc.title.alternative	Forecasting the quantity and concentration of flocculant in clarification process for sugarcane industry	-
dc.type	Thesis	-
dc.degree.name	วิศวกรรมศาสตรมหาบัณฑิต	-
dc.degree.level	ปริญญาโท	-
dc.degree.discipline	วิศวกรรมคอมพิวเตอร์	-
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.identifier.DOI	10.58837/CHULA.THE.2021.956	-
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
6170296721.pdf		2.82 MB	Adobe PDF	View/Open

Show simple item record