Modelowanie procesu mieszania materiałów
Transkrypt
Modelowanie procesu mieszania materiałów
MODELOWANIE PROCESU MIESZANIA MATERIAŁÓW ZIARNISTYCH W MIESZALNIKU PRZESYPOWYM Dominika Matuszek Katedra Techniki Rolniczej i Leśnej, Wydział Mechaniczny, Politechnika Opolska 1 WPROWADZENIE Mieszanie materiałów ziarnistych jest jedną z podstawowych operacji w przemyśle rolnospożywczym, cementowym czy farmaceutycznym, gdzie wiele surowców, półfabrykatów i produktów finalnych występuje w postaci mieszanin [1]. Trudnością w prowadzeniu procesu mieszania materiałów sypkich jest określenie stopnia zmieszania w danym czasie. Zagadnienie to dotyczy przede wszystkim składników niejednorodnych z tendencją do segregacji, które najczęściej występują w praktyce przemysłowej. Bardzo ważnym, a zarazem problematycznym zagadnieniem jest ocena jakości uzyskiwanych mieszanek. Istnieje wiele metod analizy jakości, takich jak: metoda sitowa, przez pobór prób ze złoża za pomocą sond, czy metoda bezpośredniego zliczania cząstek [2]. Ze względu na szybko rozwijający się zakres badań w przemyśle konieczne jest stosowanie innowacyjnych metod analizy danych, którą bez wątpienia jest komputerowa akwizycja obrazu. Metoda ta pozwala w szybki i łatwy sposób ocenić rozkład komponentów w złożu, a przez to jakość mieszanki ziarnistej. Proces mieszania ze względu na swoją złożoność jest trudny do opisania prostymi sposobami analitycznymi. W zależności od sposobów mieszania i rodzaju mieszanych komponentów przebieg procesu może wykazywać cechy różnych modeli [3]. Modelowanie opiera się o wiele zależności statystycznych, których wykorzystanie w łatwy sposób doprowadza do oszacowania parametrów danego zjawiska. Przy użyciu gotowych aplikacji statystycznych można precyzyjnie i szybko oszacować parametry regresji liniowej, nieliniowej i wielowymiarowej lub określić zależności między zmiennymi na podstawie testów statystycznych, jak: analiza wariancji (ANOVA) czy test t-Studenta [4, 5]. 2 CEL I HIPOTEZA PRACY 2.1 Cel badań Wykorzystanie komputerowej analizy obrazu do oceny jakości mieszaniny na podstawie informacji o rozmieszczeniu składników ziarnistych w złożu. Zaproponowanie wykorzystania regresji nieliniowej do opisu zmian wariancji rozkładu trasera w ujęciu jednowymiarowym i dwuwymiarowym. 2.2 Hipoteza badawcza Przebieg procesu mieszania składników ziarnistych metodą przesypu można opisać prostymi zależnościami matematycznymi, wykorzystując regresję nieliniową. 3 METODYKA BADAŃ Mieszanie prowadzono w laboratoryjnym mieszalniku przesypowym. Materiał badawczy stanowiły dwuskładnikowe niejednorodne układy ziarniste, różniące się średnicą i gęstością ziaren. Mieszalnik wyposażano we wkładki daszkowe systemu Roof Shaped Insert. Analizę jakości mieszaniny ziarnistej oceniano w oparciu o komputerową analizę obrazu (rys. 1). 171 Modelowanie procesu mieszania materiałów ziarnistych w mieszalniku przesypowym Model jednowymiarowy (wielomian 3 stopnia) mieszania bez wkładki układu IIa agalit - wyka wariancja rozkładu trasera 0,14 0,12 0,10 0,08 wartości empiryczne 0,06 0,04 wartości przewidywane 0,02 0,00 1 2 3 4 5 6 7 8 9 10 liczba przesypów Rys. 2. Rozkład zależności y=f(x) dla mieszania bez wkładki wybranego układu ziarnistego. Wartości empiryczne i przewidywane. Rys. 1. Obraz wybranego przekroju poprzecznego mieszalnika w czasie pikselizacji. 4 WYNIKI I DYSKUSJA 4.1 Wyniki jednowymiarowego opisu regresyjnego Podobieństwo postaci funkcji regresji i danych eksperymentalnych świadczą o dobrym dopasowaniu. Wykorzystanie prostej zależności, jaką jest wielomian 3 stopnia, odzwierciedla zmiany wariancji rozkładu trasera w kolejnych etapach mieszania i pozwala zrozumieć związki między zmiennymi. 172 www.statsoft.pl/czytelnia.html wariancja rozkładu trasera Parametrem określającym jakość mieszaniny ziarnistej była wariancja rozkładu trasera przy założeniu, że wariancja równa zeru dotyczy stanu idealnego wymieszania, natomiast jej wzrost świadczy o dążeniu mieszaniny do stanu segregacji. W kolejnym etapie dokonano modelowania zmian wariancji rozkładu trasera w zależności od wybranych parametrów przy użyciu regresji nieliniowej. Obliczenia wykonano w programie STATISTICA. Uzyskano w ten sposób wzory zależności jednowymiarowej (wielomian 3 stopnia) oraz dwuwymiarowej (trójmian kwadratowy) o określonych estymatorach. Dopasowanie modelu do danych empirycznych określono na podstawie wartości współczynnika determinacji R2 oraz wielkości reszt. Dodatkowo dla zależności przestrzennej dokonano statystycznej analizy porównawczej parametrów estymacji w oparciu o test t-Studenta. Model jednowymiarowy (wielomian 3 stopnia) mieszania z wkładką 180 mm układu IIIa rzepak - tlenek glinu 0,22 0,20 0,18 wartości empiryczne wartosci przewidywane 0,16 0,14 0,12 0,10 1 2 3 4 5 6 7 8 9 10 liczba przesypów Rys. 3. Rozkład zależności y=f(x) dla mieszania z wkładką RSI wybranego układu ziarnistego. Wartości empiryczne i przewidywane. 4.2 Wyniki dwuwymiarowego opisu regresyjnego Grupa A. Model empiryczny 0,076 0,093 0,109 0,126 0,142 0,158 0,175 0,191 0,207 0,224 ponad Rys. 4. Przestrzenny rozkład zależności y=f(x,y). Model empiryczny. Zastosowania metod statystycznych w badaniach naukowych IV StatSoft Polska 2012 Modelowanie procesu mieszania materiałów ziarnistych w mieszalniku przesypowym nionej przez model jest wysoki i mieści się w granicach 89,40%÷95,90% dla grupy A, natomiast dla grupy B – 83,30%÷95,40%. Tak więc dopasowanie linii regresji do danych jest bardzo dobre. Dodatkowo poprawność zaproponowanej postaci zależności, potwierdza graficzna interpretacja wyników. Grupa A. Model teoretyczny 0,062 0,08 0,098 0,116 0,133 0,151 0,169 0,187 0,205 0,222 ponad Tabela 1. Wyniki statystycznej analizy porównawczej (test t-Studenta) parametrów estymacji dla obu grup układów ziarnistych. Rys. 5. Przestrzenny rozkład zależności y=f(x,y). Model teoretyczny. Grupa B. Model empiryczny 0,055 0,07 0,085 0,1 0,116 0,131 0,146 0,161 0,176 0,191 ponad Rys. 6. Przestrzenny rozkład zależności y=f(x,y). Model empiryczny. Grupa B. Model teoretyczny 0,047 0,063 0,078 0,094 0,11 0,125 0,141 0,157 0,172 0,188 ponad test t - Studenta dla parametrów grupy A i B dla p<0,05 rodzaj parametru t p parametr a -27,20292746 4,5019E-16 parametr b 26,50770833 7,0974E-16 parametr c -24,07213269 3,8448E-15 parametr d -8,531802943 9,6843E-08 parametr e -0,877590832 0,39172914 parametr f 7,098395198 1,2877E-06 parametr g -24,07213269 3,8448E-15 Zauważono, iż zależność przestrzenna przedstawia się odmiennie dla grupy A i B, wykresy przyjmują dokładnie odwrotne postaci. Fakt zróżnicowania potwierdza testowanie różnic między średnimi parametrów estymacji. Test t-Studenta wykazał istotne statystycznie różnice estymatorów regresji. Wykorzystanie modułu regresji nieliniowej w programie komputerowym ułatwia opis procesu mieszania materiałów ziarnistych metodą przesypu. Możliwe jest tym samym przeanalizowanie różnych funkcji matematycznych i wybranie modelu, który najtrafniej odzwierciedla zmiany wartości empirycznych. Obliczenia stają się proste, ale nie mniej precyzyjne. Użycie aplikacji komputerowej uwalnia od konieczności prowadzenia pracochłonnych wyliczeń. A w efekcie dopasowanie funkcji pozwala na dobór takich parametrów prowadzenia procesu, dla których wyniki mieszania mogą być najlepsze. Rys. 7. Przestrzenny rozkład zależności y=f(x,y). Model teoretyczny. 5 WNIOSKI Wartości przewidywane uzyskane w oparciu o model regresji funkcji kwadratowej odzwierciedlają zmiany empiryczne. Różnice między danymi są niewielkie. Procent wariancji wyjaś- Matematyczny model jednowymiarowy – wielomian 3 stopnia dobrze odzwierciedla kinetykę mieszania niejednorodnych układów ziarnistych w kolejnych krokach mieszania. Natomiast model dwuwymiarowy – funkcja kwadratowa – może stanowić wzór Zastosowania metod statystycznych w badaniach naukowych IV StatSoft Polska 2012 www.statsoft.pl/czytelnia.html 173 Modelowanie procesu mieszania materiałów ziarnistych w mieszalniku przesypowym do określania zasadności stosowania elementów wspomagających mieszanie w przesypie. Wykorzystanie prostych, nieliniowych zależności matematycznych dobrze opisuje przebieg zmian wariancji rozkładu trasera w czasie mieszania. W oparciu o przedstawiony wzór zależności przestrzennej dla grupy A i B można prognozować efekty zmieszania jeszcze przed rozpoczęciem procesu. Wykorzystanie narzędzi statystycznych (aplikacje komputerowe) znacznie usprawniło metodykę badań. BIBLIOGRAFIA 1) Grochowicz J. (1996). Technologia produkcji mieszanek paszowych. Państwowe Wydawnictwo Rolnicze i Leśne, Warszawa 1996. 2) Boss J. (1987). Mieszanie materiałów ziarnistych. Państwowe Wydawnictwo Naukowe Warszawa 1987. 3) Tukiendorf M. (2003). Modelowanie neuronowe procesów mieszania niejednorodnych układów ziarnistych. Rozprawy Naukowe Akademii Rolniczej w Lublinie, zeszyt 272 Lublin 2003. 4) Stanisz A. (2000). Przystępny kurs statystyki w oparciu o STATISTICA PL na przykładach z medycyny. StatSoft Polska, Kraków 2001. 5) Aczel A.D. (2005). Statystyka w zarządzaniu. Wydawnictwo Naukowe PWN, Warszawa 2005. 174 www.statsoft.pl/czytelnia.html Zastosowania metod statystycznych w badaniach naukowych IV StatSoft Polska 2012