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

Simple item page
dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorLaukkanen, Timo, Dr., Aalto University, Finland
dc.contributor.advisorHolmberg, Henrik, Dr., Aalto University, Finland
dc.contributor.authorTalebjedi, Behnam
dc.contributor.departmentKonetekniikan laitosfi
dc.contributor.departmentDepartment of Mechanical Engineeringen
dc.contributor.labEnergy Conversion and Systemsen
dc.contributor.schoolInsinööritieteiden korkeakoulufi
dc.contributor.schoolSchool of Engineeringen
dc.contributor.supervisorSyri, Sanna, Prof., Aalto University, Department of Mechanical Engineering, Finland
dc.date.accessioned2023-06-14T09:00:07Z
dc.date.available2023-06-14T09:00:07Z
dc.date.defence2023-06-28
dc.date.issued2023
dc.description.abstractThis 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.en
dc.description.abstractTämä 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.fi
dc.format.extent106 + app 132
dc.format.mimetypeapplication/pdfen
dc.identifier.isbn978-952-64-1303-7 (electronic)
dc.identifier.isbn978-952-64-1302-0 (printed)
dc.identifier.issn1799-4942 (electronic)
dc.identifier.issn1799-4934 (printed)
dc.identifier.issn1799-4934 (ISSN-L)
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/121482
dc.identifier.urnURN:ISBN:978-952-64-1303-7
dc.language.isoenen
dc.opnSvensson, Elin, Dr., Chalmers University of Technology, Sweden
dc.publisherAalto Universityen
dc.publisherAalto-yliopistofi
dc.relation.haspart[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
dc.relation.haspart[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
dc.relation.haspart[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
dc.relation.haspart[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
dc.relation.haspart[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
dc.relation.haspart[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
dc.relation.ispartofseriesAalto University publication series DOCTORAL THESESen
dc.relation.ispartofseries86/2023
dc.revGharehkhani, Samira, Prof., University of Victoria, Canada
dc.revPettersson, Frank, Dr., Åbo Akademi University, Finland
dc.subject.keywordpulp & paper Industryen
dc.subject.keywordthermomechanical pulping Processen
dc.subject.keywordmachine learningen
dc.subject.keywordenergy huben
dc.subject.keywordsellu- ja paperiteollisuusfi
dc.subject.keywordtermomekaaninen selluprosessifi
dc.subject.keywordkoneoppiminenfi
dc.subject.keywordenergiakeskusfi
dc.subject.otherMechanical engineeringen
dc.titleParametric Models for Forest Industry Transformation in Energy Efficiency: Machine Learning Approachen
dc.titleKoneoppimismallinnus metsäteollisuuden energiatehokkuuden parantamisessafi
dc.typeG5 Artikkeliväitöskirjafi
dc.type.dcmitypetexten
dc.type.ontasotDoctoral dissertation (article-based)en
dc.type.ontasotVäitöskirja (artikkeli)fi
local.aalto.acrisexportstatuschecked 2023-06-28_1109
local.aalto.archiveyes
local.aalto.formfolder2023_06_14_klo_09_16
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
isbn9789526413037.pdf
Size:
8.89 MB
Format:
Adobe Portable Document Format
Download
Collections
[diss] Insinööritieteiden korkeakoulu / ENG