Detailansicht

Prediction of the lower heating value of waste incinerated at a waste incineration plant using machine learning techniques

Robert Brunnsteiner

Art der Arbeit

Masterarbeit

Universität

Universität Wien

Fakultät

Fakultät für Physik

Studiumsbezeichnung bzw. Universitätlehrgang (ULG)

Masterstudium Computational Science

Betreuer*in

Moritz Grosse-Wentrup

Volltext herunterladen
Volltext in Browser öffnen

DOI

10.25365/thesis.72342

URN

urn:nbn:at:at-ubw:1-24294.31525.548396-9

Link zu u:search

(Print-Exemplar eventuell in Bibliothek verfügbar)

Abstracts

Abstract

(Deutsch)

Müllverbrennungsanlagen für Siedlungsabfälle sind ein integraler Bestandteil der Abfallwirtschaft von Industriestaaten. Sie sind einerseits in der Lage, organische Schadstoffe zu zerstören und können andererseits das benötigte Deponievolumen um etwa 90 Prozent reduzieren, indem sie anorganische Schadstoffe aufkonzentrieren. Aus diesem Grund stellen sie die Hauptbehandlungsmethode für jene Abfälle dar, die nicht sinnvoll recycelt werden können. Im Gegensatz zu anderen Feuerungsanlagen müssen Müllverbrennungsanlagen mit verschiedensten Brennstoffen – den eingesetzten Abfällen – zurechtkommen, die den Verbrennungsprozess signifikant beeinflussen können. Dabei stellt die Tatsache, dass die Zusammensetzung des Abfalls vor dessen Verbrennung nicht exakt bestimmt werden kann, ein großes Problem dar: So sind bei der Sichtkontrolle von Abfällen nur größere Auffälligkeiten erkennbar und die Ergebnisse chemischer Analysen stehen üblicherweise erst ein oder mehrere Tage später zur Verfügung. Daher sind in den letzten Jahren zahlreiche Machine Learning-Methoden entwickelt worden, die die Eigenschaften des Abfalls – allem voran dessen Heizwert – vorhersagen können. Diese zielen entweder auf die Vorhersage des Tagesmittelwertes oder des Heizwertes einer bestimmten Abfallfraktion ab, wohingegen es für den Anlagenbetreiber von großem Interesse ist, den Heizwert des Abfalls, der sich in der nahen Zukunft im Feuerraum befinden wird, vorherzusagen. Mit dieser Information wären operative Eingriffe möglich, um das Entstehen von Heizwertspitzen zu verhindern. Zu diesem Zweck werde ich – ausgehend von bekannten Prädiktoren des Heizwertes wie Kalenderdaten (Wochentag, Kalenderwoche) und Wetterdaten (Temperatur, Niederschlag usw.) – die bekannten Vorhersagemodelle für Tagesmittelwerte zu Vorhersagemodellen für Zeitreihen in der nahen Zukunft erweitern, welche Methoden wie Ridge Regression, Support Vector Machines, oder Random Forests verwenden. Diese sind in der Lage, solide Vorhersagen für die nächsten 30 Minuten zu tätigen. Für Zeitpunkte, die weiter in der Zukunft liegen, werden sie allerdings sehr schnell unbrauchbar. Sie können insofern nur den Trend der vergangenen Heizwertkurve fortschreiben. Ein offensichtlicher Mangel dieser Methode ist die Tatsache, dass keiner der Prädiktoren Informationen zur tatsächlichen Zusammensetzung des Abfalls enthält, der im Feuerraum verbrannt werden wird. Zur Lösung dieses Problems erweitere ich jene um Bilddaten, die den Abfall im Bereich der Aufgabeschurre zeigen. Diese entwickeln das Modell wesentlich weiter, da sie Informationen über den Abfall, der sich in den nächsten 90 Minuten im Feuerraum befinden wird, liefern. Wenngleich 60die hohe Dimensionalität des dadurch entstehenden Merkmalraums (bestehend aus einer Zeitreihe mit 18 Zeitschritten, von denen jeder zusätzlich zu den numerischen Merkmalen ein 480 × 320 großes Bild in drei Farbkanälen enthält) andere Methoden – wie ein spezielles Design von künstlichen neuronalen Netzen – verlangt, erzielt das damit entwickelte Modell außerordentlich gute Genauigkeitswerte für bis zu 80 Minuten in die Zukunft.

Abstract

(Englisch)

Municipal solid waste incineration plants are a cornerstone of waste management in developed countries. They are able to destroy organic pollutants on the one hand and concentrate inorganic pollutants on the other hand, reducing the required landfill volume by about 90 per cent. Hence, they are the main means of treatment for residual waste which cannot be recycled in a meaningful way. In contrast to most other incineration plants, they have to deal with a wide variety of different fuels (i.e., the input wastes) that influence the incineration process. A major problem is that the composition of wastes cannot be accurately determined prior to their incineration, as visual inspection can only detect major abnormalities and the results of chemical analyses are usually only available after one or more days. Hence, in the past couple of years, many machine learning approaches have been developed to predict properties of the waste, mainly its lower heating value (LHV). However, those only predicted daily averages or the LHV of a specific fraction of the waste. Yet for the plant operator, it would be of utmost interest to predict the LHV of the waste that is actually being burnt inside the furnace in the near future, so that it is possible to react to potential spikes in time. To this end, starting by using known predictors of the LHV—calendar data like the day of week or the calendar week and weather data like temperature or precipitation—I will go from the established prediction of daily averages to near future time series predictions using linear and non-linear regression models like ridge regression, support vector machines and random forests. Those can be shown to make solid predictions of up to 30 minutes into the future, however, from there on, they get worse very fast. They can be thought of only continuing the trend of the past LHV-curve. An obvious shortcoming of this approach is, that none of those predictors carry information about the composition of the actual waste that is being burnt. To resolve that problem, I added images of the waste applied to the input chute of the furnace as predictors. This enhances the model considerably, as it provides information of the actual waste inside the furnace for up to 90 minutes into the future. Although the high dimensionality of the feature space in this model—an eighteen step time series of 480 × 320 images in three colour channels in addition to the numerical features—requires different approaches (i.e. special designs of artificial neural networks), the proposed model yields an extremely good accuracy for up to 80 minutes.

Autor*innen

Robert Brunnsteiner

Haupttitel (Englisch)

Prediction of the lower heating value of waste incinerated at a waste incineration plant using machine learning techniques

Paralleltitel (Deutsch)

Vorhersage des Heizwerts von in einer Müllverbrennungsanlage verbrannten Abfällen mit Hilfe von Machine-Learning Methoden

Publikationsjahr

2022

Umfangsangabe

65 Seiten : Illustrationen

Sprache

Englisch

Beurteiler*in

Moritz Grosse-Wentrup

Klassifikation

54 Informatik > 54.72 Künstliche Intelligenz

AC Nummer

AC16630854

Utheses ID

64226

Studienkennzahl

UA | 066 | 910 | |

Detailansicht

Abstracts

Schlagwörter