Revolucionant la Biomassa: Projecte 3BD, intel·ligència artificial per a calderes
El Projecte 3BD Biomass Boiler Big Data, realitzat per Termosun en col·laboració amb Pervasive i IMAE, representa una iniciativa innovadora en el cor mateix de la transformació de la biomassa. Implementant la tecnologia de la intel·ligència artificial en calderes de biomassa d'alta potència dirigides al sector industrial, la seva missió principal radica en l'optimització del rendiment energètic, generant una sèrie de beneficis importants.
En primer lloc, està orientat a reduir dràsticament els impactes ambientals, millorant l'eficiència de la combustió, disminuint les emissions de gasos contaminants i contribuint notablement a la lluita contra el canvi climàtic. En segon lloc, la implementació d'aquesta tecnologia posseeix el potencial de disminuir els costos operatius i de manteniment de les calderes, generant estalvis econòmics significatius per a les empreses i comunitats que empren aquests sistemes de calefacció de biomassa.
La combustió en el forn de la caldera i la recuperació d'energia a partir de la biomassa formen un sistema complex amb diverses variables, com la humitat i la reologia de la biomassa. Aquests factors són essencials per a aconseguir la màxima eficiència en la conversió d'energia, assegurant emissions mínimes i un consum òptim de biomassa.
L'avanç del projecte d'intel·ligència artificial 3BD implica el desenvolupament de tres models independents. Aquests models estan dissenyats per a perfeccionar tant l'optimització de la combustió de la caldera com les funcions del tècnic-operador associat.
En la fase inicial del modelatge, s'ha generat un duplicat digital de la caldera, considerant diverses opcions, com els paràmetres de control (motors, ventiladors, graelles i trapes), així com les temperatures i nivells d'oxigen. En aquest procés de modelatge, no s'han emprat dades relacionades amb la flama.
•Models P: Utilitzant únicament els paràmetres de la caldera.
•Models PT: Incloent paràmetres de temperatura.
•Models PTO: Integrant paràmetres de la caldera, temperatura i oxigen.
Per a cada model s'han generat prediccions instantànies de la potència de vapor i pronòstics futurs dels nivells de potència i oxigen en la caldera, abastant intervals d'1, 2 i 5 minuts.
Podem mesurar la diferència entre les prediccions i els valors del sensor en cada punt temporal mitjançant el càlcul de l'Error Absolut Mitjà (MAE). Aquest s'obté calculant la mitjana següent, on considerem N prediccions del conjunt de dades de test, la “I mesura” és la registrada pel sensor i la “I model” la magnitud predita pel model.
Calcular el MAE, en mitjana, ens ofereix detalls sobre la distància mitjana entre les nostres prediccions i els valors registrats. És crucial destacar que els models que inclouen dades de temperatura interna generen MAE més baixos. A més, la informació immediata sobre els nivells d'oxigen millora la precisió en la predicció futura d'aquests nivells.
Els models PT i PTO representen una millora en les prediccions del model proposat.
Els gràfics il·lustren la predicció immediata de la potència utilitzant dos tipus de models, P (esquerra) i PTO (dreta). Aquestes representacions gràfiques contenen dos marcs temporals: un de 12 hores en la part superior i un altre d'1 hora en la part inferior. En aquests gràfics, la línia blava reflecteix el "Ground Truth" o valors reals de la caldera, mentre que la línia vermella mostra els valors predits.
Els pics que es visualitzen coincideixen amb els períodes de neteja periòdica de les cendres en els conductes de la caldera. Aquestes activitats es planifiquen a intervals regulars, comunament entre una i tres hores.
Conclusions de l'avanç del projecte per a optimitzar la combustió:
- Els models predictius per al nivell d'oxigen i la pressió de vapor mostren una alta confiança en la reproducció de les dades de prova.
- El model adquireix coneixements sobre els patrons de funcionament, és a dir, pot preveure canvis en els nivells d'oxigen quan s'estableixen uns certs paràmetres, temperatures i nivells d'oxigen.
Les mesures d'oxigen tenen una component de variabilitat que no pot capturar-se completament només amb els valors dels sensors. Els mesuraments de la flama i de l'interior de la caldera poden millorar aquest aspecte.
