ИССЛЕДОВАНИЕ МЕТОДОВ АВТОМАТИЗАЦИИ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОПТИМИЗАЦИИ ТРАНСПОРТИРОВКИ БИОГАЗА
DOI:
https://doi.org/10.52167/1609-1817-2025-137-2-325-334Ключевые слова:
биогаз, автоматизация, искусственный интеллект, транспортировка, машинное обучение, цифровые двойники, Интернет вещейАннотация
В современных условиях устойчивого развития и повышения энергоэффективности особую актуальность приобретает оптимизация процессов транспортировки биогаза. Данная работа посвящена исследованию методов автоматизации и искусственного интеллекта, применяемых для повышения эффективности транспортировки биогаза на всех этапах – от производства до конечного потребителя. В статье рассматриваются современные интеллектуальные алгоритмы управления, включая машинное обучение и нейросетевые модели, позволяющие прогнозировать потери, контролировать давление, а также оптимизировать маршруты транспортировки. Анализируются возможности интеграции Интернета вещей (IoT) и цифровых двойников для мониторинга состояния системы в реальном времени. Проведено сравнительное исследование традиционных и автоматизированных методов управления транспортировкой, выявлены их преимущества и ограничения. А также данной работе представлены конструктивная схема контейнера для транспортировки сжатого биогаза и логическая схема системы автоматизированного управления, функционирующей на базе микроконтроллера. Контейнер включает 16 баллонов высокого давления, трубопроводную обвязку, датчики давления, температуры, утечки газа, а также элементы запорной арматуры и электромагнитные клапаны. Это обеспечивает физическую безопасность хранения и транспортировки биогаза. Система управления, представленная на первой схеме, реализована с использованием микроконтроллера, который собирает данные с сенсоров, управляет исполнительными устройствами (вентиляцией, клапанами), отображает параметры на дисплее и передаёт информацию на удалённые устройства мониторинга. Такая архитектура позволяет не только оперативно реагировать на изменения параметров среды, но и предотвращать аварийные ситуации за счёт интеллектуального анализа данных.
х.
Библиографические ссылки
[1] Mignogna, D.; Ceci, P.; Cafaro, C.; Corazzi, G.; Avino, P. Production of Biogas and Biomethane as Renewable Energy Sources: A Review. Appl. Sci. 2023, 13, 10219. https://doi.org/10.3390/app131810219
[2] Cinar, S.; Cinar, S.O.; Wieczorek, N.; Sohoo, I.; Kuchta, K. Integration of Artificial Intelligence into Biogas Plant Operation. Processes 2021, 9, 85. https://doi.org/10.3390/pr9010085
[3] Abu Qdais, H., Bani Hani, K., & Shatnawi, N. (2010). Modeling and optimization of biogas production from a waste digester using artificial neural network and genetic algorithm. Resources, Conservation and Recycling, 54(6), 359–363. https://doi.org/10.1016/j.resconrec.2009.08.012
[4] Agrawal, A.V., Chaudhari, P.K. & Ghosh, P. Effect of mixing ratio on biomethane potential of anaerobic co-digestion of fruit and vegetable waste and food waste. Biomass Conversion and Biorefinery (2023). https://doi.org/10.1007/s13399-023-03737-5
[5] Ahring, B. K., Ibrahim, A. A., & Mladenovska, Z. (2001). Effect of temperature increase from 55 to 65°C on performance and microbial population dynamics of an anaerobic reactor treating cattle manure. Water Research, 35(10), 2446–2452. https://doi.org/10.1016/s0043-1354(00)00526-1
[6] Al Mamun, M. R., & Torii, S. (2015). Anaerobic co-digestion technology in solid wastes treatment for biomethane generation. International Journal of Sustainable Energy, 36(5), 462–472. https://doi.org/10.1080/14786451.2015.1043302
[7] Almomani, F. (2020). Prediction of biogas production from chemically treated co-digested agricultural waste using artificial neural network. Fuel, 280, 118573. https://doi.org/10.1016/j.fuel.2020.118573.
[8] De Clercq, D., Wen, Z., Fei, F., Caicedo, L., Yuan, K., & Shang, R. (2020). Interpretable machine learning for predicting biomethane production in industrial-scale anaerobic co-digestion. Science of The Total Environment, 712, 134574. https://doi.org/10.1016/j.scitotenv.2019.134574
[9] Gopal, L. C., Govindarajan, M., Kavipriya, M. R., Mahboob, S., Al-Ghanim, K. A., Virik, P., Ahmed, Z., Al-Mulhm, N., Senthilkumaran, V., & Shankar, V. (2021). Optimization strategies for improved biogas production by recycling of waste through response surface methodology and artificial neural network: Sustainable Energy Perspective Research. Journal of King Saud University - Science, 33(1), 101241. https://doi.org/10.1016/j.jksus.2020.101241
[10] Erdei, L., Tamás, P., & Illés, B. (2021). Application of Intelligent Transportation systems in Logistics. Advanced Logistic Systems - Theory and Practice, 14(2), 21–30. https://doi.org/10.32971/als.2020.011
[11] Sarp, S., Kuzlu, M., Jovanovic, V. et al. Digitalization of railway transportation through AI-powered services: digital twin trains. Eur. Transp. Res. Rev. 16, 58 (2024). https://doi.org/10.1186/s12544-024-00679-5
[12] Janušová, Lucia & Čičmancová, Silvia. (2016). Improving Safety of Transportation by Using Intelligent Transport Systems. Procedia Engineering. 134. 14-22. 10.1016/j.proeng.2016.01.031. https://www.researchgate.net/publication/293195159_Improving_Safety_of_Transportation_by_Using_Intelligent_Transport_Systems
[13 ]Amirgaliev, E., Merembaev, T., & Rudakov, V. (2024). Development ofan application for visualizing and modeling the effect of pressure increase on gas composition during compression. Vestnik KazATK,134(5), 124-133. https://doi.org/10.52167/1609-1817-2024-134-5-124-133.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Куанышбек Игибаев, Омирлан Ауелбеков, Аяулым Оралбекова, Айнур Козбакова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
