Impedanssispektroskopia Puun ja biomassan mittaus Puun mittauspäivät, Kajaani, 14.3.2019 Markku Tiitta
Tausta Kuopion yliopisto/itä-suomen yliopisto Impedanssispektroskopiaan liittyviä tutkimuksia mm. puun kosteusgradientin ja sydänpuun määritykseen alkaen 1991 Biomassojen mittaukset 1. puuhakemittaukset 1988 (gradu 1991, gamma-säteily) Yhteistyö VTT:n kanssa ja teollisuuden kanssa: impedanssimenetelmän kehitys, menetelmien vertailu (2005-2011) Laboratoriomittaukset ja on line testaukset VTT:n testilinjalla Teolliset mittaukset Sebi: impedanssispektroskopiaan perustuva proto, tekoälyn hyödyntäminen, mittaukset teollisuudessa, testit kattavalla aineistolla Markku Tiitta 14.3.2019 2
Sovellus Impedanssispektroskopian mittaussovelluksia puulle Tutkimus vuosia N Puu lajit Proto Labramittaus Biomassan kosteus ja luokittelu 6 >2000 >10 X + + Sahatavaran kosteusgradientti 8 >10000 >20 X + + Sydänpuun ja pintapuun erottaminen 2 >10000 1 X + + Kuitupuun tuoreuden mittaus 1 <100 3 X + - Kasvukairanäytteiden lahoasteen määritys 2 <100 1 X + - Pihka-aineiden määritys, lahonkestävyys 2 100-200 1 X + + Elävän puun sisäisen lahon ja sydänpuun määritys 2 100-200 5 X + + Teollisuus/ kenttämittaus Muita tutkimuksia mm. elävän puun fysiologia, kasvuprosessit ja selviytyminen, stressi, juuristotutkimus etc.; yli 30 v tutkimusta (Luke, UEF) Markku Tiitta 14.3.2019 3
Biomassojen kosteuden mittausmenetelmiä Menetelmä Hinta Linjamittaus Labramittaus Nopeus Tarkkuus Jää Kapasitanssi ++ + + + - - Impedanssispektri + + + + + + Radio- ja + + + + + - mikroaallot NMR - - + - ++ - IR, NIR - + + + + - Röntgensäteily, CT - + - + + + Gammasäteily - + - + + + Punnitus/kuivaus ++ - + -- + +
Impedanssispektroskopian sovelluksia puulle Jään ja veden permittiivisyys (Kupfer 2005). Markku Tiitta 14.3.2019 5
X( ) X( ) X( ) X( ) X( ) 0 x 107-2 -4-6 -8-10 -12 SHW, MC = 40% X( ) 0 x 107-1 -2-3 -4-5 -6 X( ) -14-1 0 1 2 3 4 5 6 7 R( ) x 10 7 0 x 106-0.5-1 -1.5-2 -2.5 R( ) X( ) -7-1 0 1 2 3 4 5 6 7 R( ) x 10 7 0 x 105-1 -2-3 -4 R( ) -3-2 0 2 4 6 8 10 R( ) x 10 6 R( ) -5-5 0 5 10 15 20 R( ) x 10 5 Electrical impedance spectrum 100 Hz 10 MHz of wood chips (MC=40%). Thawing test in a laboratory, spectra from frozen state (a) to completely non-frozen state (d). R( )
X( ) X( ) 0 x 107 SHD, MC = 29% 0 x 107 X( ) X( ) -2-4 -6-8 -10-1 0 1 2 3 4 5 6 7 R( ) x 10 7 0 x 105-2 -4-6 -8 R( ) -10-0.5 0 0.5 1 1.5 2 2.5 3 3.5 R( ) x 10 6 R( ) X( ) X( ) X( ) -1-2 -3-4 -5-6 -7-1 0 1 2 3 4 5 6 7 R( ) x 10 7-0.5-1 -1.5 0 x 105-2 R( ) -2.5-3 -2 0 2 4 6 8 10 R( ) x 10 5 Electrical impedance spectrum 100 Hz 10 MHz of wood chips (MC=29%). Thawing test in a laboratory, spectra from frozen state (a) to completely non-frozen state (d).
Testit VTT:n hakehihnalla (PDU) Testejä tehtiin useana vuonna kahdessa erillisessä hankkeessa Monia erilaisia mittaussysteemejä ja biomassoja testattiin impedanssispektroskopialla hihnamittauksena ja tuloksia vertailtiin muihin menetelmiin Jatkuvissa testeissä linjalle lisättiin ja sieltä poistettiin eri kosteisia biomassoja Välillä massoihin lisättiin vettä. Referenssikosteudet määritettiin ottamalla linjalta näytteitä ja tekemällä punnitus/kuivaus -analyysit Korrelaatio impedanssimittauksen ja referenssikosteuden välillä oli 0,94 (myös jäinen hake oli mukana) Akustista emissiota käytettiin erottamaan eri biomassa-laatuja
Impedance probe Impedance probe including AE sensor was installed in the moving stream of wood chips
The impedance modulus response at 25 khz as a function of time during a wood chip test. Reference moisture values were determined at the marked times: the moistening (descending impedance modulus) and drying (ascending impedance modulus) of chips can be clearly seen in the modulus curve
Impedanssimenetelmällä määritetty kosteus (y-akseli) vs. referenssikosteus (x-akseli). Kokopuuhake ( ); metsähake (o).
SEBI-hanke 2017-2019: Uusia sensoritekniikoita biotalouteen Tutkimusryhmää (UEF): Jorma Heikkinen: projektipäällikkö, testaukset Markku Tiitta: menetelmien kehitys Laura Tomppo: analyysit Valtteri Tiitta: tekoälyyn perustuvat menetelmät Tuomas Karhu: tilastolliset analyysit Hannu Korhonen: pinnoitukset Reijo Lappalainen: materiaalitekniikka Tero Karjalainen: hankevastaava Uusia tuloksia biomassalle: -sydän/pintapuun luokittelu -materiaalien luokittelu -kosteusmallit -tekoälyyn perustuvat menetelmät 20.3.2019 12
Impedanssimittaukset (materiaalit) 20.3.2019 13
Impedanssimittaukset: sydän/pintapuu; kuori/puu MäPi 100% MäPi 75%_MäSy 25% MäPi 50%_MäSy 50% MäPi 25%_MäSy 75% MäSy 100% MC 58% (w.b.) MC 48% (w.b.) MC 39% (w.b.) MC 31% (w.b.) MC 24% (w.b.) KoPu 100% MC 46% (w.b.) KoPu 75%_KoKu 25% MC 48% (w.b.) KoPu 50%_KoKu 50% MC 48% (w.b.) KoPu 25%_KoKu 75% MC 49% (w.b.) KoKu 100% MC 58% (w.b.)
Esimerkkejä koneoppimismalleista Päätöspuut Ei lineaarinen SVM 20.3.2019 15
Esimerkkejä koneoppimismalleista K:n lähimmän naapurin menetelmä 20.3.2019 16
Impedanssimittaukset: sydän/pintapuu Mäntyhakkeen kosteus tiheyden funktiona: mittauspisteet (sydänpuuosuus>75% sininen) (sydänpuuosuus<25% oranssi)
Impedanssimittaukset: sydän/pintapuu LUOKITUKSEN (0%, 100%) KONEOPPIMISMALLIEN TARKKUUDET (N=41) Malli Tarkkuus Spektrimittauksen tarkkuus Päätöspuut 90.2% 73.2% K:n lähimmän naapurin menetelmä 92.7% 90.2% LUOKITUKSEN (0-25%, 75-100%) KONEOPPIMISMALLIEN TARKKUUDET (N=80) Malli Tarkkuus Spektrimittauksen tarkkuus Päätöspuut 86.3% 68.8% K:n lähimmän naapurin menetelmä 90.0% 88.8%
Impedanssispektri-mittalaite kenttämittauksiin
Biomassojen teolliset mittaukset Sebi-hankkeessa 2018-2019 Mittaukset Kuopion Energialla Yhteensä 580 näytettä Yhteensä 3157 mittausta Keskiarvoistus ja ristiinvalidointi Kosteusjakaumat ongelmallisia Lisämittauksia toisella teollisuuslaitoksella 20.3.2019 20
Mittaus- ja näytemäärät 1. Turve (151) 2. Metsätähdehake (151) 3. Kokopuu-/rankahake (91) 4. Puru (86) 5. Puru-/kuoriseos (51) 6. Kuori (19) 7. Kierrätyspuuhake (19) 8. Kantomurske (8) 9. Palaturve (8) 20.3.2019 21
Kosteusjakaumat 20.3.2019 22
Kosteusjakaumat 20.3.2019 23
Luokittelu Valitaan parametrit NCA-mallin avulla Näytemäärät Kolmen materiaalin luokittelija kaikkien materiaalien luokittelija Keskiarvoistus uusissa mittauksissa Ristiinvalidointi 10 kertaa Kolme materiaalia (365 näytettä, kosteusalue 20-55%) Kaikki materiaalit (567 näytettä, kosteusalue 20-65%) 20.3.2019 24
Impedanssimittaukseen ja koneoppimismalleihin perustuva biomassojen tunnistus: luokittelutarkkuus - 3 materiaalia Algoritmi Tarkkuus Algoritmi Parametrien määrä Logistinen regressio ja 95.2% Lineaarinen SVM 9 lineaarinen tukivektorikone (SVM) Päätöspuut 89.5% Kaikki 9 Ei lineaarinen 97.9% Cubic SVM 9 tukivektorikone (SVM) ja regressio K:n lähimmän naapurin 97.3% Weighted KNN 9 menetelmä Yhdistetyt mallit 96.6% Subspace KNN 9
Luokittelu kolmella materiaalilla -Tukivektorikone - k-lähimmän naapurin menetelmä -Tarkkuus > 95% 20.3.2019 26
Vaihekulman vaikutus 20.3.2019 27
Luokituksen tulokset Materiaalin paino ei vaikuta luokituksen tarkkuuteen Määrittäminen metsätähdehakkeen, kokopuu-/rankahakkeen ja turpeeseen toimii yli 95% tarkkuudella lähes kaikissa malleissa Jos haluamme luokitella enemmän materiaaleja, tarvitsemme enemmän mittauksia Saadut tulokset ovat keskiarvoja ristiinvalidoinnista Seuraavaksi tutkitaan, miten tarkasti kosteus voidaan määritellä kullekin materiaalille
Kosteusmallien luominen Jokaiselle materiaalille omat kosteusmallit Luokittelumallit (Lineaariset mallit, tukivektorikoneet, k-lähimmän naapurin menetelmä) Ristiinvalidointi Mallin arviointi (RMSE) Regressiomallit (Lineaariset mallit, tukivektorikoneet sekä gaussin prosessi) Neuroverkot (MLP) 20.3.2019 29
Kosteuden määrittäminen Valitaan parametrit NCA-mallin avulla Näytemäärät Jokaiselle materiaalille luodaan oma malli Malli toimii opetetulla kosteusalueella Keskiarvoistus Leave-one-out cross-validation Regressiomallit Neuroverkot 20.3.2019 30
Kokopuu- ja rankahake 91 näytettä Kosteusalue 16.2-55.8% Neuroverkot 2.12% Tukivektorikone 2.20% Gaussin prosessi 2.25% Lineaariset mallit 2.46% 20.3.2019 31
Metsätähdehake 151 näytettä Kosteusalue 21.8-61.7% Neuroverkot 1.87% Gaussin prosessi 2.26% Tukivektorikone 2.30% Lineaariset mallit 2.56% 20.3.2019 32
Turve 151 näytettä Kosteusalue 30.8-54.4% Neuroverkot 1.93% Gaussin prosessi 2.04% Tukivektorikone 2.17% Lineaariset mallit 2.40% 20.3.2019 33
Kiitos! uef.fi