Hydrogen production from blended waste biomass: pyrolysis, thermodynamic-kinetic analysis and AI-based modelling

技術要約：混合廃棄物バイオマスからの水素製造

問題提起
化石燃料からの世界的な転換には、気候変動を緩和し炭素排出量を削減するための、持続可能な「グリーン水素」製造法の開発が不可欠である。バイオマスは有望な再生可能原料を提供する一方で、バイオマスの組成の固有の複雑さと熱分解プロセスの変動性は、最適化における大きな課題となっている。具体的には、コーヒー粕（SCG）やデーツ種子（DS）のような未利用の農業残渣は、水素製造における活用がほとんど進んでいない。さらに、熱分解速度論の特性評価や熱挙動の予測を行う従来の実験手法は、多くの場合、多大な労力と時間を要する。これらの特定の原料に対して熱分解プロセスを最適化し、モデリングの精度とプロセス効率を高めるために、人工知能（AI）などの高度な計算ツールを活用することが切実に求められている。

手法
本研究では、実験的特性評価、速度論的および熱力学的解析、およびAIベースの予測モデリングを組み合わせた包括的なアプローチを採用した。

1. 試料調製および特性評価： SCGおよびDSを乾燥・粉砕し、単独、および3種類の異なる混合物（75% DS–25% SCG、50% DS–50% SCG、25% DS–75% SCG）として分析した。分析には、元素分析、組成分析、繊維含有量（セルロース、ヘミセルロース、リグニン）、および不活性窒素雰囲気下での熱重量分析（TGA）が含まれる。
2. 熱分解実験： 実験は固定床反応器を用い、温度650°C、昇温速度10°C/minで行った。ガス生成物を回収し、マイクロガスクロマトグラフィー（Micro-GC）を用いて水素およびその他の揮発性成分を定量分析した。
3. 速度論および熱力学解析： TGAデータに対し、等変換法（KAS、FWO、およびFriedman）を適用して活性化エネルギー（$E_a$）および前指数因子を決定した。エネルギー要求量を評価するために、熱力学パラメータ（エンタルピー $\Delta H$、ギブス自由エネルギー $\Delta G$、エントロピー $\Delta S$）を算出した。
4. AIベースのモデリング： TGAの質量減少曲線を予測するために、Python（TensorFlow/Keras）を用いて長短期記憶（LSTM）ニューラルネットワークを開発した。2つのモデルを学習させた：
   • モデル1： 基本的な特徴量（温度、昇温速度、混合比）を利用。
   • モデル2： モデル1を拡張し、温度範囲に基づいて動的に調整されるリグノセルロース組成データ（セルロース、ヘミセルロース、リグニンの割合）を組み込んだ。
     ハイパーパラメータのチューニングは、Keras TunerおよびRandomSearchを用いて行った。モデルの検証は、未知の昇温速度である25°C/minを含むデータに対して行われた。

主要な結果

• 物理化学的特性： SCGおよびDSは共に高い揮発分とバイオエネルギーに適した発熱量を示した。DSは高いヘミセルロース含有量（48.2%）を示し、一方でSCGは高いセルロース含有量（32%）を有していた。
• 速度論解析： 純粋な試料に対してはKASモデルが最も正確であると特定された。
  • 混合物1 (75% DS–25% SCG)： 最も低い平均活性化エネルギー（$E_a \approx 161.75$ kJ/mol）を示し、これは最高のエネルギー効率と最も容易な分解を示唆している。
  • 混合物3 (25% DS–75% SCG)： 最も高い活性化エネルギー（$E_a \approx 313.24$ kJ/mol）を示し、より複雑でエネルギー集約的な分解プロセスであることを示唆している。
  • 熱力学： 熱力学パラメータにより、混合物1が最も少ない外部エネルギー入力を必要とし、混合物3が最も高いエネルギーを必要とすることが確認され、これは速度論的知見と一致している。
• 水素収率： Micro-GC分析により、混合物中のSCGの割合が増加すると水素濃度が高まることが明らかになった。混合物3（75% SCG）が最高の水素収率（3.4378 mole %）を生成し、次いで混合物2、混合物1の順となった。純粋なSCGは4.6259 mole %のH₂を生成し、純粋なDS（0.9024 mole %）よりも大幅に高かった。
• AIモデリング性能：
  • モデル1は、0.9658から0.9958の$R^2$値を達成した。
  • リグノセルロース組成を含むモデル2は、未知の25°C/minの昇温速度を含む様々な昇温速度において、0.9996から0.9998の範囲の$R^2$値を示し、卓越した精度を実証した。モデル2は、モデル1と比較して平均二乗誤差（MSE）および平均絶対誤差（MAE）を大幅に低減した。

意義および貢献
本論文は、SCG、DS、およびそれらの混合物の熱分解に特化した高度なAI/ML技術を適用することで、文献における顕著な空白を埋めるものである。主な貢献は以下の通りである：

1. 混合物の最適化： 本研究は、エネルギー効率と水素収率の間のトレードオフを特定している。混合物1はエネルギー効率の高い熱分解に最適であり、混合物3はエネルギー要求量が高いものの、水素生産を最大化する上で優れている。
2. AIの統合： リグノセルロース組成データをLSTMモデルに統合することで、熱分解挙動の予測が大幅に向上し、ほぼ完璧な精度（$R^2 > 0.999$）を達成できることを示した。これは、広範な実験テストに代わる、コストおよび時間効率の高い選択肢を提供する。
3. 廃棄物の高付加価値化： 本研究は、未利用の食品廃棄物を持続可能なエネルギーキャリアへと転換する可能性を検証しており、循環型水素経済への移行を支持するものである。

著者らは、LSTMモデルが高い予測能力を示す一方で、今後の研究においては、異なるバイオマスの種類や混合比におけるモデルの汎用性をさらに向上させるために、データセットの多様性を拡大することに焦点を当てるべきであると結論付けている。