Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Optimal Use of Condensed Parameters of Ultimate Analysis To Predict The Calorific Value of Biomass - En.es
Optimal Use of Condensed Parameters of Ultimate Analysis To Predict The Calorific Value of Biomass - En.es
Combustible
revista Página de inicio: www.elsevier.com/locate/fuel
el calorifivalor c de la biomasa
Ayse Ozyuguran, Aysén Akturk, Serdar Yaman
Universidad Técnica de Estambul, Química y Metalúrgica Facultad de Ingeniería, Departamento de Ingeniería Química, 34469 Maslak, Estambul, Turquía
Autor correspondiente.
Dirección de correo electrónico: kmayse@itu.edu.tr (A. Ozyuguran).
https://doi.org/10.1016/j.fuel.2017.10.082
Recibido el 4 de octubre de de 2016; Recibido en la forma 20 de diciembre de 2016 revisado; Aceptado 18 de de octubre de 2017
0016-2361 / © 2017 Elsevier Ltd. Todos los derechos reservados.
A. Ozyuguran et al. Combustible 214 (2018)
640-646
parámetros en las ecuaciones empíricas hace que las ecuaciones se vuelven
torpes y poco práctico. Por lo tanto, estas ecuaciones deben ser lo más
Nomenclatura concisos posible para facilitar su uso.
2.2. Metodología
En este trabajo, HHV y LHV predicciones para conjunto completo de
amplia gama de muestras de biomasa de desechos se llevaron a cabo cuatro diffcriterios Erent que incluyen HHVs con y sin constantes y
utilizando ecuaciones lineales que contienen varias combinaciones de visitadoras de salud con y sin constantes fueron considerados para la
parámetros de análisis final (C, H, N, S y O) para decidir formas cómo estimación de los valores de calefacción. Para que, veinticuatro ecuaciones se
condensadas de estas ecuaciones son con-veniente para estimar la calorifivalor emplearon a los datos experimentales ytabla 1 presenta los parámetros que se
c. Además, también se tomaron en consideración los valores constantes en
encuentran en-cluded en estas ecuaciones. (+) señales entabla 1 media “Sí-
estas ecuaciones lineales como un parámetro en-dependiente y el correoffse
para-el medidor está incluido”, mientras (-) los signos significan “Sin este
interpretaron ECTS de la presencia o ausencia de estas constantes en el
parámetro es ex EXCLUYEN”. MAE (error absoluto medio), AAE (error
rendimiento de estimación. Del mismo modo, muchas de las muestras
absoluto medio), ABE (error promedio sesgo), y RMSD (desviación
utilizadas en este estudio no se han investigado en calorific estudios de
cuadrática media), que son cuatro diffErent formas de errores de estimación,
estimación de valor en la literatura todavía. Por ejemplo, pulpas de zumos de
se consideraron para comparar las actuaciones de predicción. Las fórmulas de
frutas, especific residuos agrícolas, tallos, troncos, etc. son materiales
estos criterios para HHV se dan a continuación.
inusuales investigados en el mismo estudio debido a problemas de
manipulación y fácil de-composición.
norte
1 Σ | HHV(pag ) yo
2. Materiales y métodos MAE = n -HHV(mi )yo|
o
2.1. caracterización de la biomasa r
t
e yo= 1 (2)
Treinta y nueve diffespecies de biomasa Erent utilizados en este estudio
HHV
fueron pro-RESPETA cualquiera de las empresas que operan en las industrias (pag )yo
de alimentos / bebidas en Turquía o recogidos de sector agrícola / forestal. norte
-HHV
Estas muestras se mantuvieron en bandejas abiertas para obtener muestras 1 (E)yo
n
secadas al aire y luego el tamaño de partícula se redujo a menor que 250 AAE = o Σ × 100
micras por molienda y tamizado. El análisis proximal se realizó de acuerdo r
con las normas ASTM, mientras Leco TruSpec® equipos de última CHN con t
Leco TruSpec®módulo S se empleó para realizar el análisis final. HHV se e HHV
determinó por IKA C2000 calorímetro de la que se calculó LHV de HHV
utilizando la siguiente simplificaciónfiecuación ed [26]: yo= 1 (E)yo (3)
641
A. Ozyuguran et al. 19 + /- + - - - +
20 + /- - + + - -
tabla 1
21 + /- - + - + -
Disponibilidad de parámetros en las ecuaciones.
22 + /- - + - - +
ecuació
23 + /- + - - - -
n# Constante do H norte S O
* *
24 + /- - - -
1 + /- + + + + +
2 + /- + + + + - * Se ha usado la
3 + /- + + + - + relación C / O.
HHV
4 + /- + - + + + (pag )yo
5 + /- - + + + + nor -HHV
6 + /- + + - + +
1 te (E)yo
7 + /- + - + - +
ABE = Σ × 100
8 + /- + + + - -
nort
9 + /- + - + + -
10 + /- + + - - + e HHV
yo= 1 (E)yo (4)
11 + /- + + - + -
(HHV(mi )yo -HHV(pag
12 + /- + - - + + 2
)yo)
13 + /- - + + + -
14 + /- - + - + +
RMSD =
15 + /- - + + - +
norte (5)
dieciséi donde HHV(pag) y HHV(mi)representar los valores predichos y los
s + /- + - + - -
experimentales de HHV, mientras que i y n se refieren a una especie dada de
17 + /- + + - - -
biomasa y el número total de muestras, respectivamente. cuanti MAEfies lo
18 + /- + - - + - cerca que los HHVs previstos son los valores experimentales y los valores
más bajos de los que muestran una mayor precisión de la predicción. AAE da Combustible 214 (2018)
640-646
el error absoluto medio en porcentaje. Además, un valor negativo de ABE
denota una total subestimación de la población de la muestra, mientras que un
valor positivo de la ABE indica una sobreestimación global. grupo se han destacado. Por otro lado, el segundo grupo en el que están
implicados cuatro parámetros cubre las ecuaciones # 2-6. Por lo tanto, cada
3. Resultados y discusión una de las cuatro ecuaciones (HHV con constante, HHV sin constante, LHV
2
con constante, y LHV sin constante) con la máxima r Los valores se ha
3.1. caracterización de la muestra destacado. Para cualquiera de los cuatro criterios, la Ecuación # 1 que incluye
todos los parámetros de análisis elemental dio la mejor predicción con la re-
2
Los resultados del análisis de las muestras se dan en la Tabla 2, Y se ve SPECT COEFFIcoeficientes de determinación (r ) como se esperaba. Por lo
tanto, la predicción del rendimiento de la ecuación # 1 se usó como un punto
que las propiedades de la muestra cambian en amplios intervalos. La
de referencia para otras ecuaciones que excluyen uno o más parámetros. En lo
variación inter-Vals son (37,02-53,30%) para C, (5,01-6,79%) para H, (0- que respecta a la direcciónffECTS de las constantes en las ecuaciones, se
8,02%) para N, (0,31-0,66%) para S, (32,01-47,42%) de O, (70.29-87,74%) determinó que un mejor rendimiento de predicción se produjo para ambos
para VM, (10,46-24,16%) para FC, (0,15-15,36%) para las cenizas, (14,51- HHVs y visitadoras de salud cuando constantes se incorporaron en las
21,95 MJ / kg) para HHV, y (12.26-19,45 MJ / kg) para LHV. ecuaciones no importa cómo los números de para-metros considerados. El
2
más alto r valores para LHV son 0,9582 y 0,9504, mientras que la más alta
3.2. calorifipredicción valor c 2
r valores para HHV son 0,9441 y 0,9380 Eso significa que los valores más
altos para LHV son un poco superiores a las de HHV. Además, algunos
Las ecuaciones utilizadas para calcular el calorifivalor c y los resultados 2
grupos de ecuaciones también mostraron r valores que son muy cerca de estos
de los criterios de rendimiento se dan en Tabla 3. Las ecuaciones con el r valores. Es decir, algunas ecuaciones con cuatro o tres para-metros
2 2
máximo valores para cada grupo se destacan en negrita. Las ecuaciones producidos valores comparables con estos mencionado más alta r valores.
resaltados enTabla 3 que muestran las mejores actuaciones de predicción (con 2
Incluso el máximo r valor para la estimación HHV que incluye constante
2
el r máximo valores) deben ser evaluadas dentro de los grupos a los que 2
(Ecuación # 1) couldn'T llegar a la r = 0,9470 valor de la ecuación-10a mejor
existen. Además, el grupo de no de las ecuaciones enTabla 3será designado a de LHV con constante (Ecuación # 11) que ignora el correoffECTS de N y O.
continuación como número de la ecuación para que sea más fácil de seguir. Es 2
De manera similar, la más alta r valor de HHV sin (# 1 Ec) couldn
decir, la ecuación. # 1 es el único miembro del grupo para el cualfise 2
consideran parámetros VE. Ese'Es por eso que todas las cuatro ecuaciones de constante'T llegar a la r = 0,9474 valor de la cuarta mejor ecuación de LHV
este sin constante (Eqns # 3 o 7).
Tabla 2
Los resultados del análisis de muestras (en base seca).
Elaeagnus 44.26 6.19 1.37 0.41 46.86 76.43 22.67 0.90 19.80 16.46
té caffEine 48.59 6.43 2.59 0.46 34.78 76.32 16.52 7.16 20.83 18.02
madera de fresno 46.72 5.95 0.00 0.32 45.32 87.84 10,46 1.70 19.02 16.24
tallo haba verde y cáscara 41.26 5.62 0,78 0.39 42.35 77.88 12,52 9.60 16.86 13,97
casco de lentejas rojas 43.90 6.31 1.54 0.37 42.63 74.73 20.03 5.24 18.27 15.15
cáscara de garbanzo 43.80 5.81 0.38 0.35 45.67 79.70 16.32 3.98 18.26 15.62
los residuos de té 45.04 6.07 3.48 0.50 40.21 73.36 21.93 4.71 19,87 16.96
tallo de maíz 42.02 5.58 1.24 0.43 43.53 76.79 16.02 7.19 16.55 14.19
los residuos del tabaco 37.02 5.01 2.20 0.45 39.95 72.85 11.78 15.36 14.51 12.26
cáscara de haba 40.11 5.52 1.35 0.33 44.98 74.97 17.33 7.70 16.24 13.50
hueso de albaricoque 48.07 5.99 0.05 0.39 43.89 82.03 16.26 1.61 19.79 17.33
pulpa de albaricoque 44.37 5.87 0.95 0.32 47.42 78.80 20.12 1.08 18.52 15.72
pulpa de melocotón 43.84 6.51 1.04 0.37 42.80 71.21 23.34 5.44 18.23 15.11
piedra de ciruela damascena 50.81 6.36 1.07 0.36 40.39 82.33 16,67 1.00 21.23 18.81
Cascara de coco 50.34 6.26 0.00 0.31 42.08 83.01 15.97 1.02 20.24 17.54
hueso de cereza de cornalina 49.03 5.86 0.05 0.34 42.67 79.27 18.67 2.06 19.84 17.44
cáscara de cacao 43.00 5.69 2.10 0.41 44.38 75.03 20.56 4.41 17.85 15.07
cáscara de maní 46.89 5.90 0.61 0.37 46.07 79.32 20.53 0.15 19.16 16.53
cáscara de haba 41.33 5.90 0.39 0.34 46.32 74.88 19.40 5.73 16.80 13.90
DomFloridaower tallo y tallo 37.94 5.19 0.31 0.35 46.15 77.37 12.58 10.05 15.08 12.55
cáscara de almendra 47.70 5.88 0.05 0.31 42.58 81.70 14.82 3.48 19.53 16.81
madera de Robinia pseudoacacia 46.30 6.08 0.05 0.35 46.20 86.19 12.80 1.01 18.31 15.59
Dafne 49.03 6.40 0.94 0.42 35.90 77.76 14,93 7.31 20.44 17.87
Tomillo 44.53 6.01 0,81 0.36 39.34 75.04 16.00 8.96 18.16 15.27
cáscara de nuez 48.23 6.00 0.12 0.34 44.42 82.98 16.12 0.90 20.03 17.17
algarroba 44.31 5.70 0.92 0.42 43.10 70.29 24.16 5.54 18.04 15.29
Flos romanae lavandulae 45.28 5.89 0.94 0.42 36.42 74.13 14.82 11.06 18.84 16.01
pulpa de manzana 47.05 6.70 0.86 0.35 42.73 82.56 15.13 2.31 19.85 17.15
cáscara de la alcachofa y residuos 42.08 5.92 0.83 0.36 45,88 79.66 15.43 4,91 16.38 13,61
DomFloridamadre ower 39.90 5.38 0.42 0.40 42.80 75.09 13,81 11.10 16.18 13.65
tallo de cereza agria 44.78 5.75 0.50 0.40 43.22 77.48 17.16 5.36 18.27 15.62
residuo de soja 42.96 6.21 8.02 0.57 35.80 80.01 13.54 6.45 19.26 16.35
residuos de sésamo negro 45.93 6.79 6.32 0.66 32.01 78.78 12.94 8.28 21.04 18.22
residuos de algodón 45.24 6.46 6.37 0.65 33.41 74.97 17.16 7.87 19.90 17.02
madre guisante 38.97 5.45 1.79 0.42 40,31 74.67 12.27 13.06 16.31 13.57
Semilla de uva 50.47 6.20 2.42 0.47 35.83 74.26 21.12 4.62 21.70 18.73
piña de pino 48.28 5.73 0.10 0.40 43.89 80.92 17.48 1.60 20.07 16.96
hueso de melocotón 51.98 6.13 0.02 0.48 40.41 86.42 12.61 0.97 20.31 17.85
hueso de cereza agria 53.30 6.69 1.58 0.39 37.33 81.66 17.62 0,72 21.95 19.45
ese “C + N”hasta el momento no ha sido evaluado minuciosamente. Bousdira que se consideran todos los parámetros. En su lugar, la eliminación de los
et al. parámetros para dejar
[30] compilado los enfoques de la literatura para el cálculo de HHV basado
en ya sea la entalpía de C, H y S o el contenido de C, H, O, y S por descuidar
de contenido de N.
El carbono es el elemento esencial en todos los tipos de combustibles
carbonosos, mientras que el nitrógeno se puede encontrar en proporciones
variables. En el caso de la biomasa, el contenido de nitrógeno es
generalmente unignorably alto en comparación con otros combustibles
fósiles. Toda la biomasa viva requiere nutrientes distintos de C, H y O para
sintetizar el material celular y el nitrógeno es una nutrición para las plantas
verdes y se toma por la biomasa fresca para producir proteínas y otros
compuestos que contienen nitrógeno. Algunas especies de biomasa, como las
legumbresfix nitrógeno de la atmósfera ambiente y a menudo contienen alta
en proteínas concentraciones. A saber, el porcentaje en peso promedio de
nitrógeno en proteína puro seco es de aproximadamente 16%[1]. La
información existente en la literatura sobre el contenido de nitrógeno de un
combustible es su mayoría relacionados con el destino de nitrógeno en la
formación de óxido nítrico y la contaminación del aire. Sin embargo, su
contribución al valor de calentamiento siempre ha sido subestimado.
2
Ecuación # 23 que consta de solamente C dio r resultados cambiantes en
el intervalo de 0,8458-0.8816 que no son tan bajos cuando se considera la
diversidad de las muestras utilizadas en este estudio. Channiwala y Parikh's
re-vista [7] también mostró que HHV de materiales de biomasa es una
función muy fuerte de contenido C. Es decir, Tillman[31] ecuaciones
establecidas (HHV = 0,4373 C - 0,3059) y (HHV = 0,4373 C -1,6701) que
están en MJ / kg. De hecho, la eliminación de parámetros tales como H, S, N,
u O no mejora la capacidad de predicción en comparación con el caso en el
2 absoluto medio menor que 5% y el error de polarización de 0,57%, lo que
solo carbono resultó en r cambio de valores en el intervalo de 0,8458-0,8816
indica que tiene buena capacidad de predicción HHV significar.
significa que la capacidad de predicción no es tan malo y puede ser utilizado
para un rápido establecimiento de la calorifivalor c de contenido de carbono.
En este estudio, utilizando los parámetros binarios de (C y N) o (C y O)
2
2 resultó en el máximo r cambio de valores en el intervalo de 0,9219-0,9572.
Figura 1 espectáculos la comparación de los mejores r los resultados para 2
cada categoría y es probable que mencionar que el único parámetro adicional estos r valores son comparables con las predicciones muy adecuados re-
(N o O) añaden a C resultó en una mejora evidente en el rendimiento de portado en la bibliografía para conjunto completo de muestras. Gillespie et al.
predicción, pero más adiciones de parámetros condujo a mejoras muy [9] comparado los HHVs predichos frente a los resultados HHV reales
utilizando conjuntos de biomasa números en-cluding de muestra de 21, 15,
limitadas. 2
Por otro lado, el correoffect de contenido de H en la predicción es con- 11, y 9, y se encontró r valores de 0,88, 0,92, 0,91, y 0,99.
controvertido en la literatura. Friedl et al.[14] utilizado 122 especies de Chen et al. [15] proceso de torrefacción aplicada a biomasas como el
biomasa para predecir el HHV de resultados de los análisis finales y se bambú, de Bengala, y el sauce a varias temperaturas y llegó a la conclusión de
encontró que el contenido de H no mejora el modelo de predicción. En que el error relativo de predicciones HHV de torrefimuestras ed están
contraste con esto, Yin[10] informaron que la correlación de HHV basado en seriamente
los contenidos de C y H (HHV = 0,2949 C + 0,8250 H) tiene un error
643
Combustible 214 (2018)
A. Ozyuguran et al. 640-646
Tabla 3
Las ecuaciones utilizadas y las actuaciones de predicción.
Tabla 3 (continuado)
2
grupo n Ecuación r MAE AAE (%) ABE (%) RMSD
inferiores a los de las materias primas cuando la torrefacción se lleva a cabo. cuyo contenido de cenizas no exceda del 11%. Sin embargo, en nuestro
Esta mejora se asoció con la relación de C a O en la biomasa. Dado que, estudio algunos de los
ingredientes macromoleculares de biomasa son altamente rica en oxígeno, la
relación de C / S también se ensayó para evaluar su idoneidad para la
2
predicción. Sin embargo, el valor más alto de r se calculó como 0,7133 en
caso de LHV con constante y esto muestra que el uso de C / O no es
comparable con la de C.
645
A. Ozyuguran et al. Combustible 214 (2018)
640-646
[6] Daud WMAW, Ali WSW. Comparación en el desarrollo de los poros del carbón activado
producida a partir de cáscara de palma y cáscara de coco. Bioresour Technol 2004; 93: 63-9.
[7] Channiwala SA, Parikh PP. Una unified correlación para estimar HHV de sólidos,
líquidos y combustibles gaseosos. Combustible 2002; 181: 1051-63.
[8] Khan MZA, Abu-Gharah ZH. Nuevo enfoque para estimar el contenido de energía de mu-
residuos sólidos municipa-. J Environ Eng 1991; 117 (3): 376-80.
[9] Gillespie GD, Everard CD, CC Fagan, McDonnell PK. Predicción de la calidad del para-
metros de pellets de biomasa a partir de análisis proximal y última.
Combustible 2013; 111: 771-7.
[10] Yin CY. Predicción de los valores más altos de calefacción de biomasa de
próximas y últimas los análisis. Combustible 2011; 90: 1128-32.
[11] Nhuchhen DR, Salam PA. Estimación de más alto valor de calentamiento de la
biomasa a partir de análisis inmediato: un nuevo enfoque. Combustible 2012; 99: 55-63.
[12] Erol M, Haykiri-Acma H, Kucukbayrak S. Calorific valor de estimación de la
biomasa a partir su próxima análisis de datos. Energía Renovable 2010; 35: 170-3.
[13] Ahmaruzzaman M. Proximate análisis y la predicción de HHV de caracteres
obtuvo a partir de cocracking de residuo de vacío de petróleo con carbón, plásticos y biomasa.
Bioresour Technol 2008; 99: 5043-50.
[14] Friedl A, Padouvas E, Rotter H, Varmuza K. predicción de los valores de
calentamiento de la biomasa a partir de la composición elemental. Anal Chim Acta 2005; 544:
191-8.
[15] Chen WH, Cheng WY, Lu KM, Huang YP. Una evaluación en la mejora de
Pulmonologypropiedad biomasa verized de combustible sólido a través de torrefacción. Appl
Energía 2011; 88: 3636-44.
[16] Titiloye JO, Abu Bakar MS, TE Odetoye. caracterización termoquímica de
residuos agrícolas de África Occidental. Los cultivos Ind Prod 2013; 47: 199-203.
[17] Maddi B, Viamajala S, Varanasi S. Estudio comparativo de la pirólisis de la
biomasa de algas de flores lago natural con la biomasa lignocelulósica. Bioresour Technol 2011;
102: 11018-26.
[18] Chiou BS, Vaenzuela Medina-D, Bilbao-Sainz C, Klamczyński AK, Avena-
Bustillos RJ, Milczarek RR, et al. Torrefacción de orujos y cáscaras de nuez. Bioresour Technol
2 2015; 177: 58-sesenta y cinco.
Figura 1. r valores para mejores resultados de grupos de parámetros.
[19] Motghare KA, Rathod AP, Wasewar KL, Labhsetwar NK. Estudio comparativo
referencias de diffErent biomasa residual para la aplicación de energía. Manejo de Residuos 2016; 47: 40-5.
[20] Shen J, Zhu S, Liu X, Zhang H, Tan J. La predicción de la composición elemental
de biomasa basado en análisis inmediato. Convers de energía a gestionar 2010; 51: 983-7.
[1] Klass DL. Biomasa para energía renovable, combustibles y productos químicos. San
Diego: Academic Prensa; 1998. [21] Demirbas A. Cálculo de los valores de calentamiento más altas de combustibles de
biomasa. Combustible 1996; 76: 431-4.
[2] Jimenez S, Ballester J. Effect de cooperaciónfianillo en las propiedades de los aerosoles
submicrónicas de combustión de biomasa. Proc Combust Inst 2005; 30: 2965-72. [22] Jimenez L, González F. Estudio de las propiedades físicas y químicas de lig-
residuos nocellulosic con miras a la producción de combustibles. Combustible 1991; 70: 947-
[3] gasificación de biomasa P. Basuficationes y pirólisis. su práctica y la teoría. Oxford: 50.
Elsevier; 2010.
[23] Cordero T, F Márquez, Mirasol JR, Rodríguez JJ. Predicción de los valores de
[4] Suhas A, Carrott PJM, Ribeiro Carrott MML. La lignina- del adsorbente natural carbón calentamiento de lig-nocellulosics y materiales carbonosos de análisis inmediato. Combustible
activado: una revisión. Bioresour Technol 2007; 98: 2301-12. 2001; 80: 1567-71.
[5] Kumar P, Barrett DM, Delwiche MJ, Stroeve P. Los métodos para el pretratamiento de [24] Majumder AK, Jain R, Banerjee P, Barnwal JP. Desarrollo de nuevas próxima
lig-nocellulosic biomasa para el correoFFIhidrólisis ciente y producción de biocombustibles. análisis de correlación en base a predecir calorifivalor c de carbón. Combustible 2008; 87: 3077-
Ind Eng Chem Res 2009; 48: 3713-29. 81.
[25] Akkaya AV. modelos de regresión múltiple basados análisis inmediato para la
calefacción mayor valor de estimación de carbones de bajo rango. Proces combustible Technol
2009; 90: 165-70.
[26] NazarioffW, R. Harley Ingeniería de Calidad del Aire. Universidad de California en
Berkeley, CE 218A; 2007.
[27] Setyawati W, Damanhuri E, Lestari P, Dewi K. ecuación de correlación para [30] Bousdira K, Nouri L, caracterización Legrand J. química de la biomasa
predecir HHV de turba tropicales basado en su análisis final. Procedia Eng 2015; 125: 298-303. phoenicicole combustible en oasis de Argelia: Nour deglet y Ghars caso cultivares. Energy
Fuels 2014; 28: 7483-93.
[28] Choi H, Sudiarto SIA, Renggaman A. Predicción de estiércol y mezcla mayor
valor de calentamiento basado en el análisis fundamental. Combustible 2014; 116: 772-80.
[31] Tillman DA. La madera como fuente de energía. Nueva York: Academic Press;
[29] Garcia R, Pizarro C, Lavin AG, Bueno JL. biocombustibles españolas estimación 1978.
del valor de calefacción. Parte I: análisis de datos de Ultimate. Combustible 2014; 117: 1130-8.
646