Modelo de red neuronal para la predicción del poder calorífico (HHV) a partir del análisis proximal de residuos carbonosos

• María Gabriela Vanegas-García ^[1] ; Ulises Iván Bravo-Sánchez ^[1] ; Florianne Castillo-Borja ^[1]
  1. [1] Tecnológico Nacional de México

     Tecnológico Nacional de México

     México

     
• Localización: ConCiencia Tecnológica, ISSN-e 1405-5597, Nº. 58, 2019, págs. 40-46
• Idioma: español
• Títulos paralelos:
  • Neural network model to predict the higher heating value (HHV) from proximal analysis of carbonaceous waste
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Se presenta un modelo basado en Redes Neuronales Artificiales (RNA’s) para la correlación del poder calorífico (HHV) de residuos carbonosos, tanto de biomasas agrícolas, como de residuos carbonosos industriales. Esto como parte de un proceso de revalorización de residuos para la generación de energía a partir de la producción de combustibles.

    El poder calorífico (HHV) del residuo, entre otros parámetros, determina la viabilidad de procesos de pirólisis o gasificación; por lo cual se requieren de modelos adecuados de predicción. Se obtuvo una configuración de la Red Neuronal Artificial 3-3-3- 1, adecuada al número de datos y calidad de ajuste;

    usando como datos de entrada el Carbono Fijo (FC), la Materia Volátil (VM) y la cantidad de Cenizas (Ash) obtenidos de análisis proximales y calculando en la neurona de salida el poder calorífico (HVV). El error cuadrado medio del modelo de red neuronal es de 4.2 comparado con valores entre 5.1 a 15.7 que se obtienen con modelos existentes en la literatura.

  • English

    A model based on Artificial Neural Networks is presented for the correlation of the higher heating value (HHV) of carbonaceous waste from agricultural biomass and from industrial carbonaceous waste. This is part of a waste revaluation process for the generation of energy from the production of fuels. The higher heating value (HHV) of the waste, among other parameters, determines the viability of pyrolysis or gasification processes; therefore, suitable prediction models are required. An adequate configuration was obtained for the data number and quality of adjustment, leaving a configuration of the standard artificial neural network 3-3-3-1, using as input the Fixed Carbon (FC), the Volatile Matter (VM) and the quantity of Ashes from proximal analysis and calculating the higher heating value (HVV) in the output neuron. The mean square error of the neural network model is 4.2 compared with values between 5.1 to 15.7 that are obtained with existing models in the literature.