Parametric Models for Forest Industry Transformation in Energy Efficiency: Machine Learning Approach

Thumbnail Image

Files

isbn9789526413037.pdf (8.89 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Engineering | Doctoral thesis (article-based) | Defence date: 2023-06-28
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2023

Department

Konetekniikan laitos
Department of Mechanical Engineering

Major/Subject

Mcode

Degree programme

Language

en

Pages

106 + app 132

Series

Aalto University publication series DOCTORAL THESES, 86/2023

Abstract

This thesis is based on industrial projects with Pulp and Paper industry in a Nordic country. The main focus of the thesis is on the energy efficiency development of the thermomechanical pulp (TMP) mill and optimal integration of the TMP mill and paper machine through heat recovery and the concept of an Energy Hub. Advanced statistical approaches and machine learning methods have been employed to develop refining identification models and advanced energy-saving refining optimization methods for the TMP process. Results prove that an accurate refining identification model could be developed through advanced machine learning methods. The refining identification models to predict the refining energy (such as specific energy consumption) and final pulp quality (such as freeness and fiber length) can be further used to develop a refining control and optimization strategy. The developed optimization strategy based on the integration of Machine learning methods and Genetic optimization algorithm confirms an average reduction of 14 % for the total refining-specific energy consumption. In the following, the optimal integration of the TMP mill and paper machine has been investigated through the Energy Hub (EH) concept. The proposed approach for the cost and energy-efficient design and operation of EH is based on the integration of thermo-economic analysis, reliability and availability analysis, and EH load prediction. The proposed approach was first introduced and evaluated for the energy and cost-efficient design of a combined cooling, heating, and power (CCHP) system that provides the hourly thermal demand of a high-rise residential building. Results prove that by utilizing the proposed method, the system's average total cost could be reduced by 16% during the system's lifespan. As the presented method has shown to be effective in residential EH applications, this method was examined in a second case study (the forest industry) to determine the optimal integration of TMP mill and paper machines. The proposed design method offers a robust design that isn't impacted by penalty rates of unsupplied demand. Depending on the penalty rates, the total system cost could decrease by 14%-28% utilizing the proposed design method.

Tämä väitöskirja perustuu teollisiin projekteihin sellu- ja paperiteollisuuden kanssa Pohjoismaassa. Työn pääpaino on termomekaanisen sellutehtaan (TMP) energiatehokkuuden kehittämisessä sekä TMP-tehtaan ja paperikoneen optimaalisessa integroinnissa lämmön talteenoton ja Energy Hub -konseptin avulla. Kehittyneitä tilastollisia menetelmiä ja koneoppimismenetelmiä on käytetty kehittämään jauhamisprosessiin ja kehittyneitä energiaa säästäviä jauhatusprosessin optimointimenetelmiä TMP-prosessiin. Tulokset osoittavat, että tarkka jauhatusprosessin identifiointimalli voitaisiin kehittää edistyneillä koneoppimismenetelmillä. Jauhatusenergian (kuten ominaisenergiankulutuksen) ja lopullisen massan laadun (kuten suotavuus ja kuidun pituus) ennustamiseen perustuvia jauhatusmalleja voidaan edelleen käyttää jauhatuksen ohjaus- ja optimointistrategian kehittämiseen. Tässä tutkimuksessa kehitetty optimointistrategia, joka perustuu koneoppimismenetelmien ja geneettisen optimointialgoritmin integrointiin, vahvistaa keskimääräisen 14 % vähennyksen jauhatusprosessin kokonaisenergiankulutuksessa. Seuraavassa TMP-tehtaan ja paperikoneen optimaalista integrointia on selvitetty Energy Hub (EH) -konseptin kautta. Ehdotettu lähestymistapa EH:n kustannus- ja energiatehokkaaseen suunnitteluun ja käyttöön perustuu lämpötaloudellisen analyysin, luotettavuus- ja käytettävyysanalyysin sekä EH-kuormituksen ennusteen yhdistämiseen. Ehdotettu lähestymistapa otettiin käyttöön ja arvioitiin ensimmäisen kerran energia- ja kustannustehokkaassa jäähdytys-, lämmitys- ja sähköjärjestelmän (CCHP) suunnittelussa, joka kattaa kerrostalon asuinrakennuksen tunnittaisen lämmitys- ja jäähdytystarpeen. Tulokset osoittavat, että ehdotettua menetelmää hyödyntämällä järjestelmän keskimääräisiä kokonaiskustannuksia voitaisiin vähentää 16% järjestelmän elinkaaren aikana. Koska esitetty menetelmä on osoittautunut tehokkaaksi asuinrakennusten EH-sovelluksissa, tätä menetelmää tarkasteltiin toisessa tapaustutkimuksessa (metsäteollisuus) TMP-tehtaan ja paperikoneiden optimaalisen integroinnin määrittämiseksi. Ehdotettu suunnittelumenetelmä tarjoaa vankan rakenteen, johon toimittamattoman kysynnän rangaistuskustannukset eivät vaikuta. Rangaistuskustannuksista riippuen järjestelmän kokonaiskustannukset voivat laskea 14–28 % ehdotetulla suunnittelumenetelmällä.

Description

Supervising professor

Syri, Sanna, Prof., Aalto University, Department of Mechanical Engineering, Finland

Thesis advisor

Laukkanen, Timo, Dr., Aalto University, Finland
Holmberg, Henrik, Dr., Aalto University, Finland

Keywords

pulp & paper Industry, thermomechanical pulping Process, machine learning, energy hub, sellu- ja paperiteollisuus, termomekaaninen selluprosessi, koneoppiminen, energiakeskus

Other note

Parts

  • [Publication 1]: Talebjedi, B.; Khosravi, A.; Laukkanen, T.; Holmberg, H.; Vakkilainen, E.; Syri, S. Energy Modeling of a Refiner in Thermo-Mechanical Pulping Process Using ANFIS Method. Energies, 2020, 13, 5113.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202010306206
    DOI: 10.3390/en13195113 View at publisher
  • [Publication 2]: Talebjedi, B.; Laukkanen, T.; Holmberg, H.; Vakkilainen, E.; Syri, S. Energy Efficiency Analysis of the Refining Unit in Thermo-Mechanical Pulp Mill. Energies, 2021, 14, 1664.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202104286368
    DOI: 10.3390/en14061664 View at publisher
  • [Publication 3]: Talebjedi, B.; Laukkanen, T.; Holmberg, H.; Vakkilainen, E.; Syri, S. Energy simulation and variable analysis of refining process in thermo-mechanical pulp mill using machine learning approach. Mathematical and Computer Modelling of Dynamical Systems, 2021, 27(1), 562-585.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-2021111010070
    DOI: 10.1080/13873954.2021.1990967 View at publisher
  • [Publication 4]: Talebjedi, B.; Laukkanen, T.; Holmberg, H.; Vakkilainen, E.; Syri, S. Advanced Energy-Saving Optimization Strategy in Thermo-mechanical Pulping by Machine Learning Approach. Nordic Pulp & Paper Research Journal, 2022, 37 (3), 434-452.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202208104718
    DOI: 10.1515/npprj-2022-0013 View at publisher
  • [Publication 5]: Talebjedi, B.; Behbahaninia, A. Availability analysis of an Energy Hub with CCHP system for economical design in terms of Energy Hub operator. Journal of Building Engineering. 2021, 33, 101564.
    DOI: 10.1016/j.jobe.2020.1015 View at publisher
  • [Publication 6]: Talebjedi, B.; Laukkanen, T.; Holmberg, H.; Syri, S. 2023. Advanced design and operation of Energy Hub for forest industry using reliability assessment. Applied Thermal Engineering, 2023, 230, 120751.
    Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202305313503
    DOI: 10.1016/j.applthermaleng.2023.120751 View at publisher

Citation

Permanent link to this item

https://urn.fi/URN:ISBN:978-952-64-1303-7

Collections

[diss] Insinööritieteiden korkeakoulu / ENG