Інтелектуальна система автоматизованого моніторингу якості біоматеріалу для зброджування в біогазовій установці

Скорочена інформація про документ
dc.contributor.authorПавлов, Сергій Григорович
dc.contributor.authorЛисенко, Віталій Пилипович
dc.contributor.authorЛендєл, Тарас Іванович
dc.contributor.authorНаконечна, Катерина Віталіївна
dc.date.accessioned2026-04-02T12:18:30Z
dc.date.available2026-04-02T12:18:30Z
dc.date.issued2025
dc.description.abstractДля вирішення проблеми неефективного та неоперативного контролю біогазових установок розроблено інтелектуальну систему автоматизованого моніторингу. Метою є підвищення стабільності та продуктивності анаеробного зброджування шляхом впровадження проактивного аналізу даних та адаптивного управління. Дослідження проводилося на пілотній біогазовій установці з використанням ферментованого біоматеріалу. Для збору даних застосовано IoT-пристрій на базі ESP32 з датчиками температури та камерою. Аналіз даних реалізовано на хмарній інфраструктурі AWS з використанням сервісів S3, DynamoDB та Fargate, а також ансамблю моделей машинного навчання (XGBoost, LSTM) та комп'ютерного зору (ResNet-50). Протягом 6-місячного тестування система продемонструвала високу надійність, забезпечивши збір 98,6 % запланованих вимірювань, та оперативність із середнім часом обробки даних 3,2 хвилини. Для аналізу зображень субстрату валідовано та обрано метод сегментації Оцу з підвищенням контрастності (CLAHE), який показав найнижчий коефіцієнт варіації 3,63 %, що свідчить про його стабільність. Початкова прогностична модель машинного навчання демонструвала коефіцієнт детермінації (R²) 0,85 та кореневу середньоквадратичну помилку (RMSE) 0,61 м³/добу. Ключовим результатом є ефективність адаптивного механізму донавчання: після першого циклу оновлення на 100 нових, валідованих оператором записах, точність моделі значно зросла. Показник R² підвищився до 0,91, а RMSE зменшилася на 42,6 % до 0,35 м³/добу. Це доводить, що система здатна ефективно навчатися на реальних експлуатаційних даних, постійно покращуючи точність своїх прогнозів та, як наслідок, якість управлінських рекомендацій. Ключові слова: комп'ютерний зір, зображення, біоматеріал, хмарні сервіси, розімкнута система, відновлювальна енергетика DOI:10.20535/2617-9741.3.2025.340376 * Corresponding author: sergpavlov89@gmail.com Received 31 July 2025; Accepted 04 September 2025 Анаеробне зброджування (АЗ) біомаси є ключовою технологією у сфері відновлюваної енергетики, що забезпечує екологічно безпечну переробку органічних відходів в біогазових установках (БУ). БУ відіграють важливу роль у досягненні кліматичних цілей ЄС, забезпечуючи сталий цикл вуглецю та енергетичну незалежність [1]. Однак ефективність цього процесу істотно залежить від низки змінних факторів, таких як температура, якість сировини, мікробна активність та стабільність середовища. Традиційні підходи до моніторингу, що базуються на періодичному відборі проб і лабораторному аналізі, є трудомісткими, неоперативними та економічно обтяжливими [2]. Сучасні дослідження свідчать про зростаючу актуальність використання Інтернету речей (IoT), комп’ютерного зору (CV) та методів машинного навчання (МН) для автоматизованого контролю технологічних процесів у сільському господарстві та енергетиці [3, 5, 7]. Зокрема, хмарна інфраструктура, така як Amazon Web Services (AWS), у поєднанні з мікроконтролерами ESP32 та сенсорною мережею, дозволяє створити гнучкі та масштабовані системи реального часу з можливістю адаптації до змінних умов [4, 13]. Однак більшість існуючих рішень обмежуються лише збором та візуалізацією даних, без реалізації повного аналітичного циклу, включаючи адаптивне навчання моделей
dc.description.abstractotherTo address the challenge of inefficient and non-real-time control of biogas plants, an intelligent automated monitoring system was developed. The objective is to enhance the stability and productivity of anaerobic digestion through the implementation of proactive data analysis and adaptive control. The study was conducted on a pilot biogas plant using fermented biomaterial. An ESP32-based IoT device equipped with temperature sensors and a camera was used for data collection. Data analysis was performed on the AWS cloud infrastructure, utilizing S3, DynamoDB, and Fargate services, along with an ensemble of machine learning (XGBoost, LSTM) and computer vision (ResNet-50) models. During a 6-month testing period, the system demonstrated high reliability, collecting 98.6 % of planned measurements, and efficiency, with an average data processing time of 3.2 minutes. For substrate image analysis, the Otsu segmentation method with Contrast Limited Adaptive Histogram Equalization (CLAHE) was validated and selected, showing the lowest coefficient of variation at 3.63 %, indicating its stability. The initial predictive machine learning model achieved a coefficient of determination (R²) of 0.85 and a Root Mean Square Error (RMSE) of 0.61 m³/day. A key result is the effectiveness of the adaptive retraining mechanism: after the first update cycle with 100 new, operator-validated records, the model's accuracy significantly increased. The R² score rose to 0.91, and the RMSE decreased by 42.6 % to 0.35 m³/day. This proves that the system can effectively learn from real operational data, continuously improving its predictive accuracy and, consequently, the quality of its management recommendations.
dc.format.pagerangeС. 41-51
dc.identifier.citationІнтелектуальна система автоматизованого моніторингу якості біоматеріалу для зброджування в біогазовій установці / Павлов С. Г., Лисенко В. П., Лендєл Т. І., Наконечна К. В. // Вісник НТУУ «КПІ ім. Ігоря Сікорського». Серія «Хімічна інженерія, екологія та ресурсозбереження». – 2025. – № 3(24). – С. 41-51. – Бібліогр.: 20 назв.
dc.identifier.doihttps://doi.org/10.20535/2617-9741.3.2025.340376
dc.identifier.orcid0009-0001-3343-5508
dc.identifier.orcid0000-0002-5659-6806
dc.identifier.orcid0000-0002-6356-1230
dc.identifier.orcid0000-0002-1537-7201
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/79951
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.relation.ispartofВісник НТУУ «КПІ ім. Ігоря Сікорського». Серія «Хімічна інженерія, екологія та ресурсозбереження», № 3(24), 2025
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectкомп'ютерний зір
dc.subjectзображення
dc.subjectбіоматеріал
dc.subjectхмарні сервіси
dc.subjectрозімкнута система
dc.subjectвідновлювальна енергетика
dc.subjectcomputer vision
dc.subjectimage
dc.subjectbiomaterial
dc.subjectcloud services
dc.subjectopen system
dc.subjectrenewable energy
dc.subject.udc004.85:662.63
dc.titleІнтелектуальна система автоматизованого моніторингу якості біоматеріалу для зброджування в біогазовій установці
dc.title.alternativeIntelligent system for automated monitoring of biomaterial quality for digestion in a biogas plant
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
41-51.pdf
Розмір:
854.39 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Вісник НТУУ «КПІ ім. Ігоря Сікорського». Серія «Хімічна інженерія, екологія та ресурсозбереження»: збірник наукових праць, № 3 (24)