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

Technische Samenvatting: Waterstofproductie uit Gemengde Afvalbiomassa

Probleemstelling
De wereldwijde transitie weg van fossiele brandstoffen vereist de ontwikkeling van duurzame methoden voor de productie van "groene waterstof" om klimaatverandering te beperken en koolstofemissies te verminderen. Hoewel biomassa een veelbelovende hernieuwbare grondstof biedt, vormen de inherente complexiteit van de biomassa-samenstelling en de variabiliteit van thermische degradatieprocessen aanzienlijke uitdagingen voor optimalisatie. Specifiek blijven onderbenutte landbouwresiduen zoals gebruikte koffiedik (Spent Coffee Grounds, SCG) en dadelpitten (Date Seeds, DS) grotendeels onverkend voor waterstofproductie. Bovendien zijn traditionele experimentele methoden voor het karakteriseren van pyrolysekinetiek en het voorspellen van thermisch gedrag vaak arbeidsintensief en tijdrovend. Er is een kritieke behoefte aan het optimaliseren van het pyrolyseproces voor deze specifieke grondstoffen en aan het benutten van geavanceerde computationele hulpmiddelen, zoals Kunstmatige Intelligentie (AI), om de nauwkeurigheid van modellering en procesefficiëntie te verbeteren.

Methodologie
Deze studie maakte gebruik van een uitgebreide aanpak die experimentele karakterisering, kinetische en thermodynamische analyse en AI-gebaseerde voorspellende modellering combineert:

1. Monsterbereiding en Karakterisering: SCG en DS werden gedroogd, gemalen en afzonderlijk geanalyseerd, evenals in drie verschillende mengsels (75% DS–25% SCG, 50% DS–50% SCG, en 25% DS–75% SCG). De analyses omvatten proximale en ultieme samenstelling, vezelgehalte (cellulose, hemicellulose, lignine) en thermogravimetrische analyse (TGA) onder een inerte stikstofatmosfeer.
2. Pyrolyse-experimenten: Experimenten werden uitgevoerd in een vastbedreactor bij 650°C met een opwarmsnelheid van 10°C/min. Gasproducten werden verzameld en geanalyseerd met behulp van Micro-Gas Chromatografie (Micro-GC) om waterstof en andere vluchtige componenten te kwantificeren.
3. Kinetische en Thermodynamische Analyse: Isoconversionele methoden (KAS, FWO en Friedman) werden toegepast op TGA-gegevens om activeringsenergieën ($E_a$) en pre-exponentiële factoren te bepalen. Thermodynamische parameters (enthalpie $\Delta H$, Gibbs vrije energie $\Delta G$ en entropie $\Delta S$) werden berekend om de energievereisten te beoordelen.
4. AI-gebaseerde Modellering: Long Short-Term Memory (LSTM) neurale netwerken werden ontwikkeld met behulp van Python (TensorFlow/Keras) om TGA-massaverliescurven te voorspellen. Twee modellen werden getraind:
   • Model 1: Maakte gebruik van basiskenmerken (temperatuur, opwarmsnelheid, mengverhoudingen).
   • Model 2: Breidde Model 1 uit door lignocellulose-samenstellinggegevens (percentages cellulose, hemicellulose, lignine) te integreren, die dynamisch werden aangepast op basis van temperatuurbereiken.
     Hyperparameter-tuning werd uitgevoerd met behulp van Keras Tuner en RandomSearch. De modellen werden gevalideerd tegen ongeziene gegevens, inclus\u2019 een nieuwe opwarmsnelheid van 25°C/min.

Belangrijkste Resultaten

• Fysisch-chemische Eigenschappen: Zowel SCG als DS vertoonden een hoog gehalte aan vluchtige stoffen en geschikte calorische waarden voor bioenergie. DS vertoonde een hoger hemicellulosegehalte (48,2%), terwijl SCG een hoger cellulosegehalte had (32%).
• Kinetische Analyse: Het KAS-model werd geïdentificeerd als het meest nauwkeurig voor zuivere monsters.
  • Mengsel 1 (75% DS–25% SCG): Vertoonde de laagste gemiddelde activeringsenergie ($E_a \approx 161,75$ kJ/mol), wat duidt op de hoogste energie-efficiëntie en de eenvoudigste decompositie.
  • Mengsel 3 (25% DS–75% SCG): Vertoonde de hoogste activeringsenergie ($E_a \approx 313,24$ kJ/mol), wat wijst op een complexer en energie-intensiever degradatieproces.
• Thermodynamica: Thermodynamische parameters bevestigden dat Mengsel 1 de minste externe energie-input vereist, terwijl Mengsel 3 de hoogste vereist, wat consistent is met de kinetische bevindingen.
• Waterstofopbrengst: Micro-GC-analyse toonde aan dat het verhogen van het aandeel SCG in de mengsels de waterstofconcentratie verhoogde. Mengsel 3 (75% SCG) produceerde de hoogste waterstofopbrengst (3,4378 mol %), gevolgd door Mengsel 2 en Mengsel 1. Zuivere SCG leverde 4,6259 mol % H\u2082 op, wat aanzienlijk hoger is dan zuivere DS (0,9024 mol %).
• Prestaties van AI-modellering:
  • Model 1 behaalde $R^2$-waarden tussen 0,9658 en 0,9958.
  • Model 2, dat de lignocellulose-samenstelling bevatte, demonstreerde een uitzonderlijke nauwkeurigheid met $R^2$-waarden variërend van 0,9996 tot 0,9998 over verschillende opwarmsnelheden, inclusief de ongeziene snelheid van 25°C/min. Model 2 verminderde de Mean Squared Error (MSE) en Mean Absolute Error (MAE) aanzienlijk vergeleken met Model 1.

Betekenis en Bijdragen
Het artikel beweert een opvallende leemte in de literatuur te vullen door geavanceerde AI/ML-technieken specifiek toe te passen op de pyrolyse van SCG, DS en hun mengsels. De primaire bijdragen zijn:

1. Optimalisatie van Mengsels: De studie identificeert een afweging tussen energie-efficiëntie en waterstofopbrengst. Mengsel 1 is optimaal voor energie-efficiënte pyrolyse, terwijl Mengsel 3 superieur is voor het maximaliseren van de waterstofproductie, ondanks hogere energie-eisen.
2. AI-integratie: Het onderzoek toont aan dat het integreren van lignocellulose-samenstellinggegevens in LSTM-modellen de voorspelling van thermisch degradatiegedrag aanzienlijk verbetert, waarbij een bijna perfecte nauwkeurigheid wordt bereikt ($R^2 > 0,999$). Dit biedt een kostenefficiënt en tijdbesparend alternatief voor uitgebreid experimenteel testen.
3. Waardestijging van Afval (Waste Valorization): Het werk valideert het potentieel van het omzetten van onderbenutte voedselresten in duurzame energiedragers, wat de transitie naar een circulaire waterstofeconomie ondersteunt.

De auteurs concluderen dat hoewel de LSTM-modellen een hoge voorspellende capaciteit vertonen, toekomstig werk zich moet richten op het uitbreiden van de diversiteit van de datasets om de generaliseerbaarheid van het model over verschillende typen biomassa en mengverhoudingen verder te verbeteren.