Published March 1, 2023 | Version v1
Publication Metadata-only

Artificial neuro-fuzzy intelligent prediction of techno-economic parameters of computer-aided scale-up for palm kernel oil based biodiesel production

Creators

  • 1. Obafemi Awolowo University
  • 2. Michael Okpara University of Agriculture
  • 3. Federal University of Technology

Description

Palm kernel oil (PKO) is one of the promising starting materials for biodiesel production. Economic viability of large-scale biodiesel production from PKO happens to be the major challenge, as investors would like to know the overall cost-benefit value before making decisions. Therefore, this study develops artificial intelligence (AI) techno-economic models for predicting overall cost-benefit value which will provide fundamental investment decisions for potential investors. The two AI techniques used in this study were artificial neural networks (ANN) and adaptive neuro-fuzzy inference system (ANFIS). The input-output data for modelling was gotten from a previous work which based solely on experimental design for PKO for biodiesel production. The input variables are Methanol:oil ratio, temperature, catalyst quantity, residence time and catalyst calcination temperature, while return on investment (ROI), payback time (PBT), net present value (NPV) and production capacity (PC) are the responses. ANN and Fuzzy Logic Toolboxes in MATLAB R2013a were used for model implementation. The developed models were appraised using statistical indices such as coefficient of determination (R2) and root mean square error (RMSE). The results showed that, trimf based ANFIS models (ROI- R2: 0.9999; RMSE: 7.39 × 10−7; PBT- R2: 0.9999; RMSE: 5.32 × 10−7; NPV- R2: 0.9999; RMSE: 5.89 × 10−7; PC- R2: 0.9999; RMSE: 5.89 × 10−7) performed marginally better than ANN models (ROI- R2: 0.9496; RMSE: 0.0599; PBT- R2: 0.9945; RMSE: 0.0373; NPV- R2: 0.9957; RMSE: 0.0384; PC- R2: 0.9959; RMSE: 0.0376). Also, the relative significance of input parameters based on sensitivity analysis showed catalyst calcination temperature (CT) as the most significant input parameter. These findings show that both the ANFIS and ANN models are effective in predicting techno-economic parameters.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

زيت نواة النخيل (PKO) هو أحد المواد الأولية الواعدة لإنتاج الديزل الحيوي. تمثل الجدوى الاقتصادية لإنتاج الديزل الحيوي على نطاق واسع من عمليات حفظ السلام التحدي الرئيسي، حيث يرغب المستثمرون في معرفة القيمة الإجمالية للتكلفة والفائدة قبل اتخاذ القرارات. لذلك، تطور هذه الدراسة نماذج تقنية واقتصادية للذكاء الاصطناعي للتنبؤ بالقيمة الإجمالية للتكلفة والعائد والتي ستوفر قرارات استثمارية أساسية للمستثمرين المحتملين. كانت تقنيتا الذكاء الاصطناعي المستخدمتان في هذه الدراسة هما الشبكات العصبية الاصطناعية (ANN) ونظام الاستدلال العصبي التكيفي (ANFIS). تم الحصول على بيانات المدخلات والمخرجات للنمذجة من عمل سابق يعتمد فقط على التصميم التجريبي لعمليات حفظ السلام لإنتاج الديزل الحيوي. متغيرات المدخلات هي الميثانول: نسبة الزيت ودرجة الحرارة وكمية المحفز ووقت الإقامة ودرجة حرارة تكلس المحفز، في حين أن العائد على الاستثمار ووقت الاسترداد وصافي القيمة الحالية والقدرة الإنتاجية هي الاستجابات. تم استخدام صندوقي أدوات ANN وFzzy Logic في MATLAB R2013a لتنفيذ النموذج. تم تقييم النماذج المطورة باستخدام مؤشرات إحصائية مثل معامل التحديد (R2) وخطأ الجذر المتوسط التربيعي (RMSE). أظهرت النتائج أن نماذج ANFIS المستندة إلى TRIMF (ROI - R2: 0.9999 ؛ RMSE: 7.39 × 10−7 ؛ PBT - R2: 0.9999 ؛ RMSE: 5.32 × 10−7 ؛ NPV - R2: 0.9999 ؛ RMSE: 5.89 × 10−7 ؛ PC - R2: 0.9999 ؛ RMSE: 5.89 × 10−7) كان أداؤها أفضل بشكل طفيف من نماذج ANN (ROI - R2: 0.9496 ؛ RMSE: 0.0599 ؛ PBT - R2: 0.9945 ؛ RMSE: 0.0373 ؛ NPV - R2: 0.9957 ؛ RMSE: 0.0384 ؛ PC - R2: 0.9959 ؛ RMSE: 0.0376). أيضًا، أظهرت الأهمية النسبية لمعلمات الإدخال بناءً على تحليل الحساسية أن درجة حرارة تكليس المحفز (CT) هي معلمة الإدخال الأكثر أهمية. تظهر هذه النتائج أن كلا من نموذجي ANFIS و ANN فعالان في التنبؤ بالمعايير التقنية والاقتصادية.

Translated Description (French)

L'huile de palmiste (PKO) est l'une des matières premières prometteuses pour la production de biodiesel. La viabilité économique de la production à grande échelle de biodiesel à partir d'OPK se trouve être le principal défi, car les investisseurs aimeraient connaître la valeur globale des coûts et avantages avant de prendre des décisions. Par conséquent, cette étude développe des modèles technico-économiques d'intelligence artificielle (IA) pour prédire la valeur globale coût-bénéfice qui fournira des décisions d'investissement fondamentales pour les investisseurs potentiels. Les deux techniques d'IA utilisées dans cette étude étaient les réseaux neuronaux artificiels (RNA) et le système d'inférence neuro-flou adaptatif (SIFNA). Les données d'entrée-sortie pour la modélisation ont été obtenues à partir d'un travail précédent qui reposait uniquement sur la conception expérimentale de PKO pour la production de biodiesel. Les variables d'entrée sont le rapport méthanol :huile, la température, la quantité de catalyseur, le temps de séjour et la température de calcination du catalyseur, tandis que le retour sur investissement (ROI), le temps de récupération (PBT), la valeur actuelle nette (NPV) et la capacité de production (PC) sont les réponses. ANN et Fuzzy Logic Toolboxes dans MATLAB R2013a ont été utilisées pour la mise en œuvre du modèle. Les modèles développés ont été évalués à l'aide d'indices statistiques tels que le coefficient de détermination (R2) et l'erreur quadratique moyenne (RMSE). Les résultats ont montré que les modèles ANFIS basés sur Trimf (ROI- R2: 0,9999 ; RMSE : 7,39 × 10−7 ; PBT- R2: 0,9999 ; RMSE : 5,32 × 10−7 ; NPV- R2: 0,9999 ; RMSE : 5,89 × 10−7 ; PC- R2: 0,9999 ; RMSE : 5,89 × 10−7) étaient légèrement meilleurs que les modèles ANN (ROI- R2: 0,9496 ; RMSE : 0,0599 ; PBT- R2: 0,9945 ; RMSE : 0,0373 ; NPV- R2: 0,9957 ; RMSE : 0,0384 ; PC- R2: 0,9959 ; RMSE : 0,0376). En outre, l'importance relative des paramètres d'entrée basée sur l'analyse de sensibilité a montré que la température de calcination du catalyseur (CT) était le paramètre d'entrée le plus significatif. Ces résultats montrent que les modèles ANFIS et ANN sont efficaces pour prédire les paramètres technico-économiques.

Translated Description (Spanish)

El aceite de palmiste (PKO) es uno de los materiales de partida prometedores para la producción de biodiésel. La viabilidad económica de la producción de biodiésel a gran escala a partir de PKO resulta ser el principal desafío, ya que a los inversores les gustaría conocer el valor general de costo-beneficio antes de tomar decisiones. Por lo tanto, este estudio desarrolla modelos tecnoeconómicos de inteligencia artificial (IA) para predecir el valor general de costo-beneficio que proporcionará decisiones de inversión fundamentales para los posibles inversores. Las dos técnicas de IA utilizadas en este estudio fueron las redes neuronales artificiales (ANN) y el sistema de inferencia adaptativa neurofuzzy (ANFIS). Los datos de entrada-salida para el modelado se obtuvieron de un trabajo anterior que se basó únicamente en el diseño experimental para PKO para la producción de biodiesel. Las variables de entrada son metanol: relación de aceite, temperatura, cantidad de catalizador, tiempo de residencia y temperatura de calcinación del catalizador, mientras que el retorno de la inversión (ROI), el tiempo de recuperación (PBT), el valor presente neto (VPN) y la capacidad de producción (PC) son las respuestas. Se utilizaron las cajas de herramientas ANN y Fuzzy Logic en MATLAB R2013a para la implementación del modelo. Los modelos desarrollados se evaluaron utilizando índices estadísticos como el coeficiente de determinación (R2) y el error cuadrático medio (RMSE). Los resultados mostraron que los modelos ANFIS basados en trimf (ROI- R2: 0.9999; RMSE: 7.39 × 10−7; PBT- R2: 0.9999; RMSE: 5.32 × 10−7; NPV- R2: 0.9999; RMSE: 5.89 × 10−7; PC- R2: 0.9999; RMSE: 5.89 × 10−7) se desempeñaron marginalmente mejor que los modelos ANN (ROI- R2: 0.9496; RMSE: 0.0599; PBT- R2: 0.9945; RMSE: 0.0373; NPV- R2: 0.9957; RMSE: 0.0384; PC- R2: 0.9959; RMSE: 0.0376). Además, la importancia relativa de los parámetros de entrada basados en el análisis de sensibilidad mostró la temperatura de calcinación del catalizador (CT) como el parámetro de entrada más significativo. Estos hallazgos muestran que tanto los modelos ANFIS como ANN son efectivos para predecir parámetros tecnoeconómicos.

Additional details

Additional titles

Translated title (Arabic)
التنبؤ الذكي الغامض العصبي الاصطناعي للمعلمات التقنية والاقتصادية لتوسيع النطاق بمساعدة الكمبيوتر لإنتاج الديزل الحيوي القائم على زيت نواة النخيل
Translated title (French)
Prévision intelligente neuro-fuzzy artificielle des paramètres technico-économiques de la mise à l'échelle assistée par ordinateur pour la production de biodiesel à base d'huile de palmiste
Translated title (Spanish)
Predicción inteligente neurodifusa artificial de parámetros tecnoeconómicos de ampliación asistida por ordenador para la producción de biodiésel a base de aceite de palmiste

Identifiers

Other
https://openalex.org/W4319066085
DOI
10.1016/j.clce.2023.100098

Is supplement to
https://openalex.org/W2782474361 (Other)
https://openalex.org/W4297888409 (Other)
https://openalex.org/W2804076410 (Other)
https://openalex.org/W2999919326 (Other)
https://openalex.org/W4220734051 (Other)
https://openalex.org/W2901502468 (Other)
https://openalex.org/W4226191458 (Other)
https://openalex.org/W4253030867 (Other)
https://openalex.org/W2394240258 (Other)
https://openalex.org/W2754232877 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Nigeria

References

  • https://openalex.org/W1743905762
  • https://openalex.org/W2004261261
  • https://openalex.org/W2131344679
  • https://openalex.org/W2552381644
  • https://openalex.org/W2564667983
  • https://openalex.org/W2572597211
  • https://openalex.org/W2688270099
  • https://openalex.org/W2777826132
  • https://openalex.org/W2783474917
  • https://openalex.org/W2790932649
  • https://openalex.org/W2885684091
  • https://openalex.org/W2981409846
  • https://openalex.org/W3007040346
  • https://openalex.org/W3020223000
  • https://openalex.org/W3045621842
  • https://openalex.org/W3097689110
  • https://openalex.org/W3125960663
  • https://openalex.org/W3191549885
  • https://openalex.org/W3193760051
  • https://openalex.org/W4298987949
  • https://openalex.org/W4308026188