Συντάχθηκε 07-10-2026 13:29
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 09/10/2026 11:00
Λήξη: 09/10/2026 12:00
ΑΝΑΚΟΙΝΩΣΗ ΠΑΡΟΥΣΙΑΣΗΣ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Όνοματεπώνυμο Φοιτητή: ΜΠΑΧΤΑΛΙΑΣ ΠΑΝΑΓΙΩΤΗΣ
Α.Μ.:2020050071
Ημερομηνία Παρουσίασης:09/10/2026
Ώρα:11:00
Αίθουσα:
https://tuc-gr.zoom.us/j/93607193388?pwd=vyZ8Q91WQAOhbS0WetijvI75imkbDb.1
Meeting ID: 936 0719 3388
Password: 910782
Θέμα ΔE "ΑΝΑΠΤΥΞΗ ΜΟΝΤΕΛΟΥ ΤΕΧΝΗΤΟΥ ΝΕΥΡΩΝΙΚΟΥ ΔΙΚΤΥΟΥ ΓΙΑ ΤΗΝ ΠΡΟΒΛΕΨΗ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΜΕΘΑΝΙΟΥ ΑΠΟ ΧΗΜΙΚΑ ΠΡΟΕΠΕΞΕΡΓΑΣΜΕΝΗ ΒΙΟΜΑΖΑ"
Title «DEVELOPMENT OF AN ARTIFICIAL NEURAL NETWORK MODEL FOR PREDICTING METHANE PRODUCTION FROM CHEMICALLY PRETREATED BIOMASS»
Επιβλέπων: Απόστολος Γιαννής
Τριμελής Εξεταστική Επιτροπή:
- Απόστολος Γιαννής
- Τρύφων Δάρας
- Νικόλαος Διαγγελάκης
Περίληψη:
Η αξιοποίηση αποβλήτων, και ιδιαίτερα της λιγνοκυτταρινούχου βιομάζας, αποκτά ολοένα και μεγαλύτερη σημασία για ένα βιώσιμο ενεργειακό μέλλον, καθώς η παραγωγή ενέργειας από ανανεώσιμες πηγές και η μείωση των εκπομπών αερίων του θερμοκηπίου έχουν αναδειχθεί σε μείζονες παγκόσμιες προκλήσεις κατά τις τελευταίες δεκαετίες. Η αναερόβια χώνευση της λιγνοκυτταρινούχου βιομάζας αποτελεί μια πολλά υποσχόμενη στρατηγική ενεργειακής αξιοποίησης αποβλήτων, ενώ η εφαρμογή μεθόδων χημικής προεπεξεργασίας μπορεί να ενισχύσει τη βιοαποδομησιμότητα της βιομάζας και να βελτιώσει το δυναμικό της για παραγωγή μεθανίου. Ωστόσο, η απόδοση της διεργασίας εξαρτάται από πολύπλοκες αλληλεπιδράσεις μεταξύ των χαρακτηριστικών της πρώτης ύλης, των συνθηκών προεπεξεργασίας και των λειτουργικών παραμέτρων της αναερόβιας χώνευσης. Ως εκ τούτου, σκοπός της παρούσας μελέτης ήταν η ανάπτυξη ενός μοντέλου Τεχνητού Νευρωνικού Δικτύου (Artificial Neural Network – ANN) για την πρόβλεψη της απόδοσης σε μεθάνιο (CH₄ yield) κατά την αναερόβια χώνευση χημικά προεπεξεργασμένης βιομάζας. Τα δεδομένα συλλέχθηκαν από 33 επιστημονικές δημοσιεύσεις και περιλάμβαναν συνολικά 45 διαφορετικές συνθήκες χημικής προεπεξεργασίας. Για την ανάπτυξη του μοντέλου χρησιμοποιήθηκαν δεκατρείς μεταβλητές εισόδου, οι οποίες περιέγραφαν τις συνθήκες προεπεξεργασίας, τη σύσταση και τα φυσικοχημικά χαρακτηριστικά της βιομάζας, καθώς και τις λειτουργικές συνθήκες της διεργασίας αναερόβιας χώνευσης. Ως μεταβλητή εξόδου χρησιμοποιήθηκε η απόδοση σε μεθάνιο (mL CH₄/g VS). Το βέλτιστο μοντέλο αποτελούνταν από τέσσερα κρυφά επίπεδα με δεκαεπτά νευρώνες σε κάθε επίπεδο. Για το σύνολο δεδομένων επικύρωσης, το μοντέλο παρουσίασε R² ίσο με 90,76% %και RMSE ίσο με 32,0777 mL CH₄/g VS , ενώ για το σύνολο δεδομένων δοκιμής παρουσίασε R² 85,10% ίσο με και RMSE ίσο με 43,1692 mL CH₄/g VS . Αυτό έχει σαν αποτέλεσμα το σύνολο δεδομένων του καλυτέρου μοντέλου εκπαίδευσης να παρουσιάσει R² 92,098 % ίσο με και RMSE ίσο με 30.9889 mL CH₄/g VS και MAPE = 20.6267%. Η προγνωστική ικανότητα του επιλεγμένου μοντέλου ANN αξιολογήθηκε περαιτέρω με τη χρήση ενός ανεξάρτητου «τυφλού» συνόλου δεδομένων (blind dataset), το οποίο αποτελούνταν από 66 δείγματα που δεν είχαν χρησιμοποιηθεί κατά την ανάπτυξη του μοντέλου. Για το ανεξάρτητο αυτό σύνολο δεδομένων, το καλύτερο μοντέλο παρουσίασε R² ίσο με 94,62%, RMSE ίσο με 15,324 mL CH₄/g VS , MAPE ίσο με 14,469% . Επιπλέον, όλες οι μεταβλητές εισόδου του ανεξάρτητου συνόλου δεδομένων βρίσκονταν εντός των αντίστοιχων περιοχών τιμών των δεδομένων που χρησιμοποιήθηκαν για την ανάπτυξη του μοντέλου. Τα αποτελέσματα καταδεικνύουν ότι τα τεχνητά νευρωνικά δίκτυα μπορούν να αποτελέσουν ένα χρήσιμο εργαλείο για τη μοντελοποίηση της παραγωγής μεθανίου από χημικά προεπεξεργασμένη βιομάζα. Το αναπτυχθέν μοντέλο ANN μπορεί να συμβάλει στην ταχεία προκαταρκτική εκτίμηση της παραγωγής μεθανίου, στη μείωση του αριθμού των απαιτούμενων πειραματικών δοκιμών και στην υποστήριξη της βελτιστοποίησης της διεργασίας. Ωστόσο, η εφαρμογή του θα πρέπει να περιορίζεται στο πεδίο που αντιπροσωπεύεται από τα δεδομένα τα οποία χρησιμοποιήθηκαν για την ανάπτυξη και την αξιολόγηση του μοντέλου.
Abstract:
The valorization of waste materials, particularly lignocellulosic biomass, is becoming increasingly important for a sustainable energy future, as renewable energy production and the reduction of greenhouse gas emissions have emerged as major global challenges in recent decades. Anaerobic digestion of lignocellulosic biomass represents a promising waste-to-energy strategy, while chemical pretreatment can enhance biomass biodegradability and improve its potential for methane production. However, process performance depends on complex interactions among feedstock characteristics, pretreatment conditions, and the operational parameters of anaerobic digestion. Therefore, the aim of the present study was to develop an Artificial Neural Network (ANN) model for predicting methane yield (CH₄ yield) during the anaerobic digestion of chemically pretreated biomass. Data was collected from 33 scientific publications and included a total of 45 different chemical pretreatment conditions. Thirteen input variables were used for model development, describing the pretreatment conditions, biomass composition and physicochemical characteristics, as well as the operational conditions of the anaerobic digestion process. Methane yield (mL CH₄/g VS) was used as the output variable. The optimal ANN model consisted of four hidden layers with seventeen neurons in each hidden layer. For the validation dataset, the model achieved an R² of 90.76% and an RMSE of 32.0777 mL CH₄/g VS, while for the testing dataset it achieved an R² of 85.10% and an RMSE of 43.1692 mL CH₄/g VS. For the training dataset, the selected model achieved an R² of 92.098 % and an RMSE of 30.9889 mL CH₄/g VS and MAPE = 20.6267%. The predictive capability of the selected ANN model was further evaluated using an independent blind dataset consisting of 66 samples that had not been used during model development. For this independent dataset, the model achieved an R² of 94.62%, an RMSE of 15.324 mL CH₄/g VS, and a MAPE of 14.469%. In addition, all input variables of the blind dataset were within the corresponding value ranges of the data used for model development. The results demonstrate that artificial neural networks can serve as a useful tool for modeling methane production from chemically pretreated biomass. The developed ANN model may contribute to the rapid preliminary estimation of methane production, reduce the number of experimental trials required, and support process optimization. However, its application should be restricted to the domain represented by the data used for model development and evaluation
