NobleBlocks

Research indexThesis

การจดตารางและควบคมกระบวนการหลอมอลมเนยมอยางประหยดพลงงานโดยใชอลกอรทมพนธกรรมและการเรยนรแบบเสรมกำลง

ภาวดี

1 Jan 2026

DOI10.58837/chula.the.2026.65

Paywalled

The full text is at the publisher

You can read the abstract here, or open it at the publisher.

Read at the publisher

Abstract

ในอุตสาหกรรมการหลอมอลูมิเนียม การใช้พลังงานอย่างไม่มีประสิทธิภาพส่งผลโดยตรงต่อค่าใช้จ่ายและความสามารถในการแข่งขันของโรงงาน งานวิจัยนี้ได้พัฒนากรอบการทำงานแบบลำดับขั้นเพื่อเพิ่มประสิทธิภาพการใช้พลังงานในกระบวนการหลอมอลูมิเนียม โดยนำเสนอการพัฒนาแบบจำลองเชิงคำนวณและเครื่องมือซอฟต์แวร์ที่เรียกว่า FurnaceFlow ซึ่งใช้ขั้นตอนวิธีเชิงพันธุกรรม (Genetic Algorithm: GA) ในระดับบนสำหรับการจัดตารางการหลอม และการเรียนรู้แบบเสริมกำลังเชิงลึก (Deep Reinforcement Learning) ด้วยอัลกอริทึม Deep Q-Network (DQN) ในระดับล่าง สำหรับการควบคุมการปรับระดับกำลังไฟฟ้าในเตาหลอมจริง เครื่องมือ FurnaceFlow ได้รับการออกแบบในรูปแบบโปรแกรมประยุกต์บนเว็บ (Web Application) โดยมีส่วนแสดงแผนการหลอมที่ปรับให้เหมาะสมล่วงหน้าจาก GA ซึ่งใช้กลไกประตูแบบทันเวลาพอดี (Just-In-Time (JIT) Gate) ในการประสานจังหวะ และส่วนควบคุมแบบเวลาจริงจาก DQN ที่สามารถปรับเปลี่ยนตามสถานการณ์จริง เพื่อรักษาสมดุลระหว่างเป้าหมายด้านอุณหภูมิและการประหยัดพลังงาน แบบจำลองทางความร้อนได้รับการตรวจสอบความถูกต้องกับข้อมูลโรงงานจริง โดยมีค่า RMSE เท่ากับ 12.84°C (การเริ่มแบบเย็น) และ 8.37°C (การเริ่มแบบร้อน) ผลการทดลองเปรียบเทียบกับกรณีฐาน (Baseline) แสดงว่า FurnaceFlow สามารถกำจัดพลังงานสูญเสียจากการอุ่นซ้ำ (reheat energy) ได้อย่างสมบูรณ์จาก 2,833.3 kWh เหลือ 0 kWh ลดความต้องการพลังไฟฟ้าสูงสุด (peak demand) จาก 1,770.4 kW เป็น 1,346.2 kW (ลดลง 23.9%) และควบคุมพลังงานต่อรอบการหลอมได้ที่ 597.96 ± 18.23 kWh นอกจากนี้ระบบ FurnaceFlow ที่พัฒนาในรูปแบบโปรแกรมประยุกต์บนเว็บ ยังช่วยให้ผู้ปฏิบัติงานสามารถวางแผนและติดตามการหลอมได้อย่างมีประสิทธิภาพผ่านหน้าจอที่ใช้งานง่าย

Discussion

More

Suggest a correction or report