РОЗРОБКА МОДЕЛІ КОНДЕНСАЦІЙНОГО КОТЛА НА ОСНОВІ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ПОБУДОВИ ЦИФРОВОГО ДВІЙНИКА
DOI:
https://doi.org/10.32782/tnv-tech.2024.2.3Ключові слова:
конденсаційний котел, моделювання, регресійна модель, машинне навчання, цифровий двійникАнотація
У статті розглянуто розроблення регресійної моделі конденсаційного котла як одного з компонентів цифрового двійника системи теплозабезпечення. ККД конденсаційного котла може сягати 96%, але він напряму залежить від споживача теплової енергії, а саме від температури зворотного теплоносія. Ефективна робота конденсаційного котла має місце лише при застосуванні низькотемпературних систем теплозабезпечення будинків із відповідними теплотехнічними характеристиками. Для забезпечення цих характеристик необхідно мати інтелектуальну систему керування. Система має відстежувати низку параметрів та обмежень, таких як температури теплоносія, витрата палива, склад димових газів, стан конструкційних матеріалів рівень конденсату тощо. Цифровий двійник конденсаційного котла має інтегрувати алгоритми керування, моделі та дані для побудови режимів експлуатації в реальному часі. Він забезпечить максимальну ефективність та ресурс обладнання при дотриманні всіх необхідних експлуатаційних обмежень. Метою дослідження є отримання статистичної моделі за допомогою методів машинного навчання, вибір та ранжування набору вхідних параметрів моделі, навчання моделей та аналіз їх точності. Регресійну модель розроблено на основі даних роботи конденсаційного котла під час експлуатації. Дані функціонування котлоагрегату, на основі яких розраховувалась модель, були зібрані під час його експлуатації, за період у 30 днів. Проведено процес навчання лінійної моделі регресії. Обрано для неї набір вхідних даних та розраховано коефіцієнти. Вхідними параметрами котла є температура зворотного теплоносія і витрата природного газу. Вихідними параметрами котла є температури вихідного теплоносія і димових газів. Для спрощення кінцевої моделі, було визначено набір вхідних параметрів що мають значущий вплив на вихідні параметри. Розраховано архітектуру регресивного дерева. Обрані моделі об’єднано ансамблевим методом «голосування». Проведено оцінку точності розрахунку моделей.
Посилання
Національна економічна стратегія 2030 / Платформа Центру економічного відновлення. URL: https://nes2030.org.ua/ (Дата звернення: 30.05.2024).
Патон Б.Є., Долінський А.А., Геєць В.М., Кухар В.П., Басок Б.І., Базєєв Є.Т., Подолець Р.З. Пріоритети Національної стратегії теплозабезпечення населених пунктів України. Вісник НАН України. 2014. № 9. С. 29-47.
Harish Satyavada, Simone Baldi Monitoring energy efficiency of condensing boilers via hybrid firstprinciple modelling and estimation. Energy, vol. 142, 2018, pp. 121-129. URL: https://doi.org/10.1016/j.energy.2017.09.124 (Дата звернення: 30.05.2024).
João Barros, Condenser boiler modeling. URL: https://fenix.tecnico.ulisboa.pt/downloadFile/395144950949/resumo.pdf (Дата звернення: 30.05.2024)
Куделя П. П., Барабаш П. А. Тепловой баланс конденсационных котлов. Енергетика. 2014. № 1. С. 51-59. URL: http://nbuv.gov.ua/UJRN/eete_2014_1_9 (Дата звернення: 30.05.2024)
Malakuti Somayeh, Van Schalkwyk Pieter, Boss Birgit, Sastry Chellury, Runkana Venkataramana, Lin Shi-Wan, Rix Simon, Green Gavin, Baechle Kilian, Nath Shyam. Digital Twins for Industrial Applications. Definition, Business Values, Design Aspects, Standards and Use Cases. An Industrial Internet Consortium White Paper. Version 1.0. 2020. URL: https://www.iiconsortium.org/pdf/IIC_Digital_Twins_Industrial_Apps_White_Paper_2020-02-18.pdf (Дата звернення: 30.05.2024).
Harish Satyavada, Simone Baldi. A Novel Modelling Approach for Condensing Boilers Based on Hybrid Dynamical Systems. Delft Center for Systems and Control. Delft University of Technology. 2016. vol. 4(2), no. 10. URL: https://doi.org/10.3390/machines4020010 (Дата звернення: 22.04.2024).
Dan Teodor Bălănescu, Vlad Mario. Homutescu Experimental investigation on performance of a condensing boiler and economic evaluation in real operating conditions. Applied Thermal Engineering. 2018. Volume 143. p. 48-58. URL: https://doi.org/10.1016/j.applthermaleng.2018.07.082 (Дата звернення: 30.05.2024).
Hanby, V. I. Modelling the performance of condensing boilers. Journal of the Energy Inst. 2007. № 80. p. 229-231.
Дубовой В. М. Ідентифікація та моделювання технологічних об’єктів і систем керування : навчальний посібник. Вінниця : ВНТУ, 2012. 308 с.
Кубрак А. І., Жученко А. І., Кваско М. З. Комп’ютерне моделювання та ідентифікація автоматичних систем. Київ: Політехника, 2004. 424 с.
Жученко А. І. Ідентифікація динамічних характеристик. Комп'ютерні методи. Київ, 2000. 182 с. URL: http://opac.kpi.ua/F/?func=direct&doc_number=000066839&local_base=KPI01 (Дата звернення: 22.04.2024).
Юзвак С.В., Шемчук В.В., Самарін С.В., Косулько А.Г., Лахно В.Г. Модульні котельні установки системи «УКРІНТЕРМ». Довідковий посібник (12-е вид.). УКРІНТЕРМ. Біла Церква, 2019. 171 с.
Machine learning regression algorithms to predict emissions from steam boilers / B. D. Ross-Veitía та ін. Heliyon. 2024. e26892. URL: https://doi.org/10.1016/j.heliyon.2024.e26892 (дата звернення: 02.06.2024).
Afyouni S., Smith S. M., Nichols T. E. Effective degrees of freedom of the Pearson's correlation coefficient under autocorrelation. NeuroImage. 2019. vol. 199. pp. 609–625. URL: https://doi.org/10.1016/j.neuroimage.2019.05.011 (дата звернення: 02.06.2024).
Chou P. A. Optimal partitioning for classification and regression trees. IEEE transactions on pattern analysis and machine intelligence. 1991. Vol. 13, no. 4. pp. 340–354. URL: https://doi.org/10.1109/34.88569 (дата звернення: 02.06.2024).
Carnegie Mellon University, Department of Statistics & Data Science. "Statistics 36-350: Data Mining, Fall 2006." Lecture notes. 2006. Lecture 10 – Regressive trees. URL: https://www.stat.cmu.edu/~cshalizi/350-2006/lecture-10.pdf дата звернення: 30.05.2024).
Liapis C. M., Karanikola A., Kotsiantis S. Data-Efficient software defect prediction: a comparative analysis of active learning-enhanced models and voting ensembles. Information sciences. 2024. no. 120786. URL: https://doi.org/10.1016/j.ins.2024.120786 (дата звернення: 02.06.2024).
