Obrana doktorskog rada : Ivan Brandić, mag. ing. agr.

Razvoj novih nelinearnih matematičkih modela u modeliranju gornje ogrjevne vrijednosti biomase / Development of new nonlinear mathematical models for modelling the higher heating value of biomass

20.9.2024. u 11:00 sati :: Velika vijećnica Sveučilišta u Zagrebu Agronomskog fakulteta

Mentori doktorskog rada:

• Prof. dr. sc. Neven Voća, Sveučilište u Zagrebu Agronomski fakultet, Hrvatska
• Dr. sc. Lato Pezo, Sveučilište u Beogradu, Institut za opštu i fizikalnu hemiju, Srbija

Povjerenstvo za obranu doktorskog rada:

• Izv. prof. dr. sc. Nikola Bilandžija, Sveučilište u Zagrebu Agronomski fakultet, Hrvatska
• Prof. dr. sc. Jerko Gunjača, Sveučilište u Zagrebu Agronomski fakultet, Hrvatska
• Dr. sc. Biljana Lončar, Sveučilište u Novom Sadu, Tehnološki fakultet, Srbija

Prošireni sažetak doktorskog rada:
Biomasa kao obnovljivi izvor energije postaje sve važnija zbog rasta cijena i ekološke neprihvaljivosti konvencionalnih izvora energije. Najvažniji pokazatelj u procjeni kvalitete goriva je gornja ogrjevna vrijednost (HHV), koja predstavlja količinu oslobođene energije po jedinici površine. Postojeći linearni matematički modeli imaju veću pogrešku u predviđanju HHV od nelinearnih modela, što ukazuje na potrebu razvoja novih nelinearnih matematičkih modela za predviđanje HHV biomase. U ovom istraživanju razviti će se novi nelinearni matematički modeli u obliku polinoma višeg reda (HOP), umjetnih neuronskih mreža (ANN), slučajnih šuma za regresiju (RFR) i modela potpornih vektora (SVM) za modeliranje HHV poljoprivredne i šumske biomase. Osim toga, istraživanjem će se usporediti razvijeni nelinearni modeli kako bi se odredila najmanja pogreška modeliranja HHV-a za različite skupove ulaznih varijabli. Podaci korišteni za razvoj modela preuzeti su iz dostupne literature, a nelinearni modeli temelje se na karakterističnim skupovima varijabli iz elementarne, fizikalno-kemijske i strukturne analize. Za sve razvijene modele koristi se podjela podataka od 70% za učenje i 30% za testiranje modela. Provodi se statistička analiza pogodnosti modela kako bi se identificirao model s najmanjom pogreškom i odabrao najprikladniji model za modeliranje HHV biomase. Rezultati dobiveni nelinearnim regresijskim modelima uspoređuju se s eksperimentalno dobivenim podacima iz literature kako bi se utvrdile performanse i učinkovitost razvijenih modela u modeliranju HHV-a. Nakon testiranja pouzdanosti i performansi modela, provodi se analiza osjetljivosti kako bi se optimizirali modeli i pronašao optimalan uzorak i odnos između ulaznih varijabli i izlaznih varijabli (HHV). U tu svrhu koristi se Yoonova metoda koja se temelji na analizi osjetljivosti neurona u skrivenom sloju. Yoon-ova metoda omogućuje procjenu važnosti pojedinačnih ulaznih varijabli o izlaznim vrijednostima HHV. Najvažnije varijable za precizno i pouzdano modeliranje HHV-a pomoći će u identificiranju najvažnijih parametara koji utječu na HHV, optimizirati model i smanjiti pogrešku modeliranja. Rezultati ovog istraživanja pružit će uvid u različite nelinearne matematičke modele za modeliranje HHV biomase, kao što su HOP, ANN, RFR i SVM, te njihove performanse u modeliranju na temelju različitih skupova ulaznih varijabli. Usporedbom razvijenih modela omogućit će se odabir najprikladnijeg modela za pouzdano predviđanje HHV-a biomase, koji bi smanjio vrijeme potrebno za određivanje HHV-a i poboljšao korištenje biomase kao obnovljivog izvora energije.

Ključne riječi: biomasa, gornja ogrjevna vrijednost, matematičko modeliranje, umjetne neuronske mreže, polinomi višeg stupnja, slučajne šume za regresiju, modeli potpornih vektora.

Abstract of the doctoral thesis:
Biomass as a renewable energy source is becoming increasingly important due to rising prices and the environmental incompatibility of conventional energy sources. The most important parameter in assessing fuel quality is the higher heating value (HHV), which represents the amount of energy released per unit area. Existing linear mathematical models have a higher error in HHV prediction than nonlinear models, indicating the need to develop new nonlinear mathematical models for HHV biomass prediction. In this study, new nonlinear mathematical models in the form of higher-order polynomials (HOP), artificial neural networks (ANN), random regression forests (RFR) and support vector models (SVM) will be developed for HHV biomass modelling in agriculture and wood. In addition, the research will compare the developed nonlinear models to determine the smallest HHV modelling error for different sets of input variables. The data used to develop the model will be taken from the available literature and the non-linear models will be based on characteristic sets of variables from ultimate, proximate, and structural analysis. For all models developed, a data split of 70% for training and 30% for model testing is used. A statistical analysis of “goodness of fit" is performed to identify the model with the lowest error and to select the most appropriate model for modelling HHV biomass. The results obtained from the nonlinear regression models are compared with the experimentally obtained data from the literature to investigate the performance and effectiveness of the developed models for HHV modelling. After testing the reliability and performance of the model, a sensitivity analysis is performed to optimise the models and find the optimal sample and the relationship between the input variables and the output variable (HHV). For this purpose, Yoon's method is used, which is based on the sensitivity analysis of the neurons in the hidden layer of the ANN. Yoon's method makes it possible to evaluate the importance of individual input variables about the HHV output values and to determine the most important variables for accurate and reliable modelling of the HHV biomass. The sensitivity analysis will help to identify the most important parameters affecting HHV, optimise the model and reduce the prediction error. The results of this research will provide insight into different nonlinear mathematical models for modelling HHV biomass, such as HOP, ANN, RFR and SVM, and their success in predicting HHV based on different sets of input variables. The comparison of the developed models will allow the selection of the most appropriate model for reliable prediction of HHV biomass, which would reduce the time required for HHV determination and improve the use of biomass as a renewable energy source.

Keywords: biomass, higher heating value, mathematical modelling, artificial neural networks, higher degree polynomials, random forest regression, support vector machine.