Combustible 214 (2018) 640-646

listas de contenidos ofrecidos en ScienceDirect

Combustible
revista Página de inicio: www.elsevier.com/locate/fuel

Artículo de longitud completa

El uso óptimo de los parámetros de condensados de análisis final para predecir T

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

INFORMACIÓN DEL RESUMEN

ARTÍCULO
Un valor más alto de calentamiento (HHV) y el valor calorífico inferior (PCI) de 39 especies de biomasa que incluyen
palabras clave: muestras leñosas, materiales herbáceas, residuos agrícolas, pulpas de jugo, cáscaras de frutos secos, etc. fueron predichos
biomasa basándose en los resultados de análisis elemental. ecuaciones lineales simples se desarrollaron en el que existen contenidos C,
calorifipredicción valor c H, N, S y O y la predicción del rendimiento de estas ecuaciones empíricas se evaluó comparando los valores de la pre-
Análisis elemental pronosticadas de calori experimental yfivalores C de acuerdo con los criterios de error absoluto medio (MAE), el error
último análisis absoluto medio (AAE), y el error de polarización promedio (ABE). Para este propósito, las ecuaciones que incluyen
parámetros cambiantes de solamente C a la suma de C, H, N, S, y O se ensayaron para comparar el rendimiento de predicción
de cada parámetro adicional. Se concluyó que, el uso de sólo dos parámetros incluyendo carbono y adicional un elemento de
nitrógeno o el oxígeno es óptima para predecir el calorifivalor c. Estas formas condensadas de ecuaciones basados en último
2
análisis dieron r cambio de valores en el intervalo de 0,9219-0,9572. La mejora de correoffECTS de parámetros adicionales
son bastante limitadas y la adición de contenidos H y S no condujeron de manera signi fila mejora en el rendimiento no puede
predicción.

1. Introducción resultados de los análisis están presentes. ingredientes macromoleculares tales

miFFIciente uso de energía de la biomasa es de gran interés ya que la
biomasa es un recurso sostenible y renovable de energía y se incluye a todo
tipo de materiales carbonosos, excepto los combustibles fósiles [1]. En este
contexto, diversos desechos orgánicos tales como residuos agrícolas y
forestales, bagazo, MSW (residuos sólidos urbanos), RDF (combustible
derivado de residuos), los biosólidos, residuos industriales, hierbas largas,
cortezas etc. pueden ser evaluados como combustibles alternativos siempre
que su potencial energético vale la pena considerar en fines energéticos[1]. En
este contexto, el uso sostenible de la biomasa en plantas de energía es de gran
preocupación y sistemas de co-combustión que queman carbón y biomasa
suele Doffer a partir de las variaciones de las propiedades de la biomasa en
particular en el calorific valor [2]. Es molesto para prever las características de
la biomasa sin aplicar los procedimientos de prueba en el caso de las especies
de biomasa de desecho que por lo general tienen estructuras complejas y un
número de constituyentes. Además, las muestras herbáceas y materiales de
desecho pueden contener altos contenidos de materia mineral (inorgánicos)
que la formación de plomo de altos rendimientos de ceniza y también su
Calorifivalores de C son por lo general muy baja [1]. Por estas razones, el
calorific valor de esos desechos es considerado como el más
significativofiparámetro no puede que defidefine la calidad del combustible. el
calorifivalor c de la biomasa se mide directamente por la combustión de una
muestra en un calorímetro en condiciones controladas. Por otra parte, la
estimación de la calorific valor basado en la composición química de la
biomasa también ha tenido una gran demanda cuando fiable
como hemicelulosa, celulosa y lignina cuenta para la mayor parte de la parte
orgánica de la biomasa mientras que algunos otros, incluyendo almidón,
proteínas, trigly-céridos, lípidos, etc. también co-existir. En consecuencia,
algunos tipos de biomasas leñosas especialmente los son generalmente dEfine
como lignocelulósica. Por otro lado, aunque estos ingredientes
macromoleculares están consistían en tres elementos (C, H y O), su con
molecularficonfiguraciones son muy diffErent en cada caso. Celulosa
(C6H10O5)norte es el componente estructural primario en la pared celular, y
tiene polímeros de cadena larga con alto grado de polimerización [1,3].
Hemicellulosics (C5H8O4)norte, Que son solubles en soluciones alcalinas
débiles, son polisacáridos complejos que acompañan a la celulosa en las
paredes celulares, y xilano es la forma más abundante de hemicellulosics [1].
Además, la lignina es un polímero fenólico que es el único ingrediente
aromático en la biomasa[4]. Puesto que estos ingredientes están conectadas
con enlaces éter débil, incluso moderada e externaffECTS como tratamientos
térmicos / químicos pueden desintegrarse fácilmente esta unidad. En ad-
DICIÓN, todos estos ingredientes son muy ricas en oxígeno y por lo tanto el
calorifivalor c de la biomasa no es comparable con las de carbones de alto
rango que contienen menos contenido de oxígeno. La distribución de estas
estructuras de MAC-romolecular en la biomasa muestra discrepancia en
función del tipo de material. Es decir, Kumar et al.[5] una lista de desglose de
estos ingredientes para un número de recursos de biomasa incluyendo hierbas,
paja, maderas duras, maderas blandas, cáscaras de nuez, desechos, estiércol,
etc., y llegó a la conclusión de que el más alto contenido de celulosa es en
papel (hasta 99%), mientras que el

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.

AAE error absoluto promedio

ANA artifired neuronal cial
ABE error promedio sesgo
FC fide carbono fijo
HHV mayor valor de calentamiento
LHV valor mínimo de calefacción

alto contenido de hemicelulosa se encuentra en las hojas (hasta 88%). Este

estudio también reveló que el mayor contenido de lignina está en cáscaras de
frutos secos (hasta 40%), mientras que Daud y Ali[6] reportado aún más alto
contenido de lignina de hasta 53,4% en la cáscara de palma. Por tales razones,
calorifiestimaciones de valor c en base a los resultados del análisis finales
(elemental) son razonables ya que este método no depende de la fuente de
macromoléculas y sólo tiene en cuenta el contenido de C, H, N, S, y
elementos de S en la biomasa. De hecho, este método ha sido aplicado para
estimar el calorific valor de carbón para tiempos muy largos. Es decir,
Channiwala y Parikh[7] dispuestos Chron-metodológicamente las
investigaciones hito el mayor valor de calentamiento (HHV) estimaciones de
carbón basan en análisis proximal (materia volátil, fijo de carbono, y los
rendimientos de la ceniza) y el análisis final (C, H, N, S, y O con-tiendas de
campaña) Resultados que data de Dulong Ecuación de 1880's. Un-
Afortunadamente, en caso de la biomasa, la presencia de celulosa, hemi-
celulósicos, de lignina, proteínas, lípidos, extractivos, taninos, etc. hace que
esta predicción mucho más diFFIculto y ecuaciones, por tanto, más bien
sofisticados deben ser utilizados para una predicción segura. Sin embargo, el
análisis de estos compuestos es que consume tiempo y requiere analistas
especializados, y además la repetibilidad de estos experimentos analíticos no
siempre es alta. Además, algunos parámetros alternativos también pueden ser
considerados en el caso de materiales de desecho. En este contexto, Khan y
Abu-Gharah[8] desarrollado una ecuación para predecir HHV de TSM basado
en los componentes combustibles primarios tales como papel, plástico,
caucho, cuero, y los alimentos.

Se han realizado estudios para predecir la calorifivalor c de biomasa a

partir de los resultados del análisis. HHV (mayor valor de calentamiento) o
LHV (valor calorífico inferior) de la biomasa se prevé utilizar análisis
proximal[9-13] y resultados de los análisis finales [7,9,10,14-18]. Motghare et
al.
[19] HHVs estimados por cálculos basados en el análisis proximal y el
análisis final de algunas especies de biomasa de residuos y llegaron a la
conclusión de que en última instancia trajes de análisis así a algunas especies
de biomasa de residuos, mientras que para otros análisis inmediato dieron
mejores resultados. Principalmente cuatro diffmétodos Erent incluyendo
análisis proximal, el análisis final, la composición física / química, y ANN
(artifired neural cial) se ha probado para predecir HHV o LHV y la fidos
primeros de los cuales comúnmente se han aplicado [20]. estimaciones HHV
pueden realizarse basándose en MLR (regresión lineal múltiple) modelos de
análisis de datos y OLS (mínimos cuadrados ordinarios) de regresión[9,14].
Sin embargo, la principal preocupación encontrado para la predicción del
HHV es que los valores predichos y los valores medidos pueden seriamente
differ unos de otros y el Consejo de EuropaFFIcoeficientes de determi-nación
2
(r ) Son insatisfactoriamente baja cuando se consideran conjunto completo de
2
alto número de muestras de biomasa. Existen ejemplos de muy baja r en
muchas diffErent documentos que se utilizaron materiales lignocelulósicos
2
[21-23]. mientras que r se registraron los valores que están muy cerca de 1
cuando las predicciones se repitieron utilizando muestras de carbón [24,25].
Por lo tanto, los resultados de algunos estudios indican que las muestras
agrupadas en las formas de subconjuntos cuyos resultados análisis del cambio
en relativamente intervalos estrechos pueden mostrar predicciones más
sensibles[9]. En contraste, algunos estudios también muestran
representaciones de predicción altamente aceptables. Es decir, Friedl et al.

[14] probado la predicción de HHVs de 154 muestras de biomasa

2
considerando parámetros lineales y no lineales de C, C , H, C × H y N y de-
2
termined de que r fue 0,943. Sin embargo, la consideración de alto número de
 18.015*H

LSR regresión de mínimos cuadrados

MAE error absoluto medio LHV HHV-= +% De humedad *5.85

MLR regresión lineal múltiple 2 (1)

RSU residuos sólidos urbanos Estas pruebas de caracterización se repitieron varias veces para asegurar
OLS mínimos cuadrados ordinarios la reproducibilidad de los datos que la repetibilidad de los resultados de
RDF combustible derivado de residuos análisis finales estaban dentro de ± 0,5%, mientras que fue de hasta ± 5% para
RMSD distancia media cuadrática mínima calorifila determinación del valor c.
VM materia volátil

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
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.
3. Resultados y discusión
3.1. caracterización de la muestra
Los resultados del análisis de las muestras se dan en la Tabla 2, Y se ve
que las propiedades de la muestra cambian en amplios intervalos. La
variación inter-Vals son (37,02-53,30%) para C, (5,01-6,79%) para H, (0-
8,02%) para N, (0,31-0,66%) para S, (32,01-47,42%) de O, (70.29-87,74%)
para VM, (10,46-24,16%) para FC, (0,15-15,36%) para las cenizas, (14,51-
21,95 MJ / kg) para HHV, y (12.26-19,45 MJ / kg) para LHV.
3.2. calorifipredicción valor c
Las ecuaciones utilizadas para calcular el calorifivalor c y los resultados
de los criterios de rendimiento se dan en Tabla 3. Las ecuaciones con el r
2 2
máximo valores para cada grupo se destacan en negrita. Las ecuaciones
resaltados enTabla 3 que muestran las mejores actuaciones de predicción (con
2
el r máximo valores) deben ser evaluadas dentro de los grupos a los que
existen. Además, el grupo de no de las ecuaciones enTabla 3será designado a
continuación como número de la ecuación para que sea más fácil de seguir. Es
decir, la ecuación. # 1 es el único miembro del grupo para el cualfise
consideran parámetros VE. Ese'Es por eso que todas las cuatro ecuaciones de
este
Combustible 214 (2018)
640-646
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
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
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
SPECT COEFFIcoeficientes de determinación (r ) como se esperaba. Por lo
tanto, la predicción del rendimiento de la ecuación # 1 se usó como un punto
de referencia para otras ecuaciones que excluyen uno o más parámetros. En lo
que respecta a la direcciónffECTS de las constantes en las ecuaciones, se
determinó que un mejor rendimiento de predicción se produjo para ambos
HHVs y visitadoras de salud cuando constantes se incorporaron en las
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
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
2
grupos de ecuaciones también mostraron r valores que son muy cerca de estos
valores. Es decir, algunas ecuaciones con cuatro o tres para-metros
producidos valores comparables con estos mencionado más alta r valores.
2
Incluso el máximo r valor para la estimación HHV que incluye constante
2
(Ecuación # 1) couldn'T llegar a la r = 0,9470 valor de la ecuación-10a mejor
de LHV con constante (Ecuación # 11) que ignora el correoffECTS de N y O.
2
De manera similar, la más alta r valor de HHV sin (# 1 Ec) couldn
2
constante'T llegar a la r = 0,9474 valor de la cuarta mejor ecuación de LHV
sin constante (Eqns # 3 o 7).
Ecuaciones de # 2 a # 6 sólo excluyen un parámetro en comparación con
la ecuación # 1. Entre estas ecuaciones, independientemente de la
disponibilidad de con-constante en las ecuaciones, la mejor predicción de
rendimiento HHV era de-termined en el caso de la ecuación # 3 que ignora el
correoffect de contenido de S. Es decir, la ecuación # 3 dio las predicciones
2 2
satisfactorias de HHVs en ambos casos de con (r = 0,9440) y sin (r = 0.9359)
2
constantes. Por otro lado, las actuaciones de predicción LHV de Eqns # 2 (r
2
= 0,9582) y # 4 (r = 0,9504) son exactamente los mismos que los de la
ecuación # 1 en los casos de con y sin constantes que corresponden a los
casos en los que la falta de oxígeno y de hidrógeno en las ecuaciones,
2
respectivamente. Además, el R más bajo Se determinaron los valores cuando
C es eliminado de las ecuaciones (Ecuación # 5). En contraste con esto,
Setyawati et al.[27] ecuación de correlación desarrollado para predecir HHV
de turba tropical basado en el análisis final, donde se excluyó contenido de C
y HHV estaba relacionado con H, N, S, O, y el contenido de cenizas.
Usando las ecuaciones de # 7 a # 15 que tienen en cuenta tres parámetros
indicados que la eliminación de S y O (Ecuación # 8) produjo los mejores pre-
2 2
dicciones para HHV (r = 0,9434) y LHV (r = 0,9581) cuando se introducen
constantes. Por otra parte, la ecuación # 7 que excluye H y Sfitted mejor para
2 2
los dos VHH (r = 0,9328) y LHV (r = 0,9474) cuando constante se elimina
de la ecuación. Además, la ecuación # 14 que excluye C y N dieron el r más
2
bajo los valores entre las ecuaciones de triple de parámetros con Con-stants
2 2
tanto para HHV (r = 0,6612) y LHV (r = 0,6279). Considerando que, la
2
ecuación # 13 que excluye C y O dieron el r más bajo los valores entre las
2
ecuaciones de triple parámetro sin constantes para ambos HHV (r = 0,6402)
2
y LHV (r = 0,5761).
En cuanto a las ecuaciones de parámetro dual (# 16-22), la ecuación # 16
2
que es con-ley consistieron de C y N dio la más alta r valores para HHV
2 2
con / sin constantes (r = 0,9367 y 0,9278), así como LHV con constante (r =
0,9572), mientras que la ecuación # 19 que se consiste en C y O dio la más
2 2
alta r valores para LHV sin constante (r = 0,9219). Por el contrario, para
cada uno de los cuatro casos, las actuaciones de predicción más bajos de estas
ecuaciones tuvieron lugar cuando C, N, y O son eliminadas (Ecuación # 21).
Esto demuestra la gran aportación de contenido de N en las predicciones
HHV. Sin embargo, a excepción de unos pocos, no hay investigaciones
detalladas en la literatura que se centran directamente en la contribución de
contenido de N de la biomasa en la predicción HHV. Choi et al.[28]
ecuaciones desarrollados sobre la base de análisis proximal, el análisis
químico y el análisis final para predecir HHV de estiércol y mezcla. Ellos
2
encontraron que el uso de la predicción“C + N” dio superior r valores que
“Sólo c” y “C + O”. Garcia et al.[29] compilado gran número de ecuaciones
empíricas basadas en datos de análisis ul-timate tanto para los carbones y
biomasas y este estudio mostró
642
A. Ozyuguran et al. Combustible 214 (2018)
640-646

Tabla 2
Los resultados del análisis de muestras (en base seca).

Las muestras do H norte S O VM FC Ceniza HHV LHV

(%) (%) (MJ / kg)

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
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.
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
cada categoría y es probable que mencionar que el único parámetro adicional
(N o O) añaden a C resultó en una mejora evidente en el rendimiento de
predicción, pero más adiciones de parámetros condujo a mejoras muy
limitadas.
Por otro lado, el correoffect de contenido de H en la predicción es con-
controvertido en la literatura. Friedl et al.[14] utilizado 122 especies de
biomasa para predecir el HHV de resultados de los análisis finales y se
encontró que el contenido de H no mejora el modelo de predicción. En
contraste con esto, Yin[10] informaron que la correlación de HHV basado en
los contenidos de C y H (HHV = 0,2949 C + 0,8250 H) tiene un error
643
indica que tiene buena capacidad de predicción HHV significar.
En este estudio, utilizando los parámetros binarios de (C y N) o (C y O)
2
2
estos r valores son comparables con las predicciones muy adecuados re-
portado en la bibliografía para conjunto completo de muestras. Gillespie et al.
[9] comparado los HHVs predichos frente a los resultados HHV reales
utilizando conjuntos de biomasa números en-cluding de muestra de 21, 15,
2
11, y 9, y se encontró r valores de 0,88, 0,92, 0,91, y 0,99.
Chen et al. [15] proceso de torrefacción aplicada a biomasas como el
bambú, de Bengala, y el sauce a varias temperaturas y llegó a la conclusión de
que el error relativo de predicciones HHV de torrefimuestras ed están
seriamente
 Combustible 214 (2018)
A. Ozyuguran et al. 640-646

Tabla 3
Las ecuaciones utilizadas y las actuaciones de predicción.

grupo n Ecuación r2 MAE AAE (%) ABE (%) RMSD

1 HHV = -4. 9140 + 0. 2611N + 0. 4114C + 0. 6114H + 0. 3888S + 0. 02097O 0.9441 0.3178 1.6978 0,0549 0.4230
HHV = 0. 2791N + 0. 3984C + 0. 4030H -1. 8644S-0. 03153O 0.9380 0.3183 1.7057 0.1095 0.4452
LHV = -5. 5232 + 0. 2373N + 0. 4334C + 0. 2360H + 0. 3732S + 0. 000838O 0.9582 0.2915 1.8304 0.0654 0.3607
LHV = 0. 2575N + 0. 4188C + 0. 001835H -2. 1594S -0. 05817O 0.9504 0.3041 1.9123 0.1260 0.3931
2 HHV = -3,4643 + 0.2492N + 0.4045C + 0.6072H-0.1618S 0.9434 0.3119 1.6659 0.0571 0.4256
HHV = 0.3776N + 0.4159C + 0.07296H -2.5217S 0.9319 0.3497 1.8876 0.1876 0.4668
LHV= -5. 4653 + 0. 2368N + 0. 4331C + 0. 2358H + 0. 3511S 0.9582 0.2915 1.8304 0,0562 0.3607
LHV = 0.4393N + 0.4511C -0.6070H -3.3719S 0,9288 0.3638 2.3169 0.3099 0.4708
3 HHV = -4. 6246 + 0. 2732N + 0. 4120C + 0. 5992H + 0. 01841O 0.9440 0.3186 1.7020 0,0562 0.4232
HHV = 0. 1987N + 0. 3880C + 0. 4022H -0. 0354O 0.9359 0.3219 1.7301 0.1305 0.4529
LHV = -5,2454 + 0.2489N + 0.4340C + 0.2243H-0.00162O 0.9581 0.2925 1.8367 0,0519 0.3610
LHV = 0.1644N + 0.4068C + 0.000892H -0.06265O 0.9474 0.3090 1.9499 0,1560 0.4047
4 HHV = -3,17334 + 0.3474N + 0.4593C -0.4021S + 0.01972O 0,9378 0.3387 1.8134 0,0645 0.4461
HHV = 0.3390N + 0.4378C -1.8590S -0.01853O 0.9349 0.3297 1.7691 0,0981 0.4562
LHV = -4,8513 + 0.2706N + 0.4519C + 0.06784S + 0.000356O 0.9572 0.2906 1.8216 0,0663 0.3649
LHV = 0. 2577N + 0. 4190C -2. 1594S-0. 05811O 0.9504 0.3041 1.9120 0.1261 0.3931
5 HHV = 1.5348-0.3434N + 3.4740H + 2.9958S -0.1028O 0.6916 0.8524 4.5917 0.2976 0,9933
HHV = -0.3555N + 3.5711H + 3.7565S -0.08701O 0.6910 0.8456 4.5463 0.2818 0.9942
LHV = 1.2705-0.3996N + 3.2517H + 3.1196S -0.1296O 0.6702 0.8698 5.5039 0.4177 1.0132
LHV = -0.4095N + 3.3322H + 3.7493S -0.1165O 0.6698 0.8624 5.4492 0.4073 1.0138
6 HHV = -5,6318 + 0.3630C + 1.0237H + 4.1453S + 0.00389O 0.9313 0.3470 1.8483 0,0691 0.4689
HHV = 0.3442C + 0.8154H + 1.8364S -0.05825O 0.9233 0.3775 2.0258 0.1309 0.4955
LHV = -6,1755 + 0.3894C + 0.6107H + 3.7869S -0.01468O 0.9473 0.3174 1.9923 0,0673 0.4049
LHV = 0.3688C + 0.3823H + 1.2551S -0.08282O 0.9363 0.3639 2.3087 0.5280 0.4455
7 HHV = -3,4480 + 0.3362N + 0.4596C + 0.02245O 0.9377 0.3387 1.8139 0.0640 0.4463
HHV = 0. 2588N + 0. 4273C-0. 02241O 0.9328 0.3299 1.7763 0.1222 0.4637
LHV = -4,8049 + 0.2725N + 0.4518C -0.0001O 0.9572 0.2906 1.8212 0,0567 0.3649
LHV = 0. 1646N + 0. 4068C-0. 06262O 0.9474 0.3090 1.9496 0.1566 0.4047
8 HHV = -3. 5208 + 0. 2424N + 0. 4037C + 0. 6131H 0.9434 0.3113 1.6629 0,0581 0.4257
HHV = 0.2812N + + 0.01459H 0.4042C 0.9278 0.3620 1.9704 0.2319 0.4807
LHV = -5. 3426 + 0. 2516N + 0. 4347C + 0. 2231H 0.9581 0.2928 1.8386 0,0530 0.3610
LHV = 0.3103N + 0.4354C-0.6851H 0.9213 0.3968 2.5389 0.3827 0.4951
9 HHV = -1,8204 + 0.3357N + 0.4525C-0.9151S 0.9372 0.3320 1.7780 0.0661 0.4483
HHV = 0.3829N + 0.4247C -2.4461S 0.9317 0,3496 1.8851 0.1767 0.4674
LHV = -4,8268 + 0.2704N + 0.4517C + 0.05856S 0.9572 0.2904 1.8202 0,0553 0.3648
LHV = 0.3954N + 0.3780C-4.0010S 0.9179 0.4186 2.6794 0.4324 0.5057
10 HHV = -0,6875 + 0.3328C + 1.1576H -0.0608O 0,9186 0,3925 2.0821 0,0828 0.5102
HHV = 0.3323C + 1.0901H -0.06704O 0.9184 0.3934 2.0923 0,0953 0.5109
LHV = -1,6587 + 0.3618C + 0.7331H-0.07378O 0.9365 0.3535 2.2100 0,0846 0.4446
LHV = 0.3607C + 0.5700H -0.08883O 0.9351 0.3570 2.2330 0.1221 0.4495
11 HHV = -5,3461 + 0.3621C + 1.0193H + 4.0064S 0.9313 0.3477 1.8520 0,0691 0.4690
HHV = 0.3398C + 0.3292H + 3.5501S 0.8932 0.4531 2.4890 0.3590 0.5844
LHV = -7,2530 + 0.3928C + 0.6273H + 4.3107S 0.9470 0.3154 1.9794 0.0668 0,4064
LHV = -0.3089H 0.3626C + 3.6917S 0.8750 0.5271 3.3677 0.5614 0.6237
12 HHV = -2,3920 + 0.4319C + 5.1184S -0.01097O 0.9086 0.3868 2.0844 0.0957 0.5407
HHV = 0.4161C + 3.9124S -0.03941O 0.9070 0.3919 2.1151 0.1222 0.5456
LHV = -4,2427 + 0.4305C + 4.3675S -0.02355O 0.9390 0.3181 1.9852 0.0820 0.4356
LHV = 0.4025C + 2.2285S -0.07399O 0.9337 0.3470 2.1843 0.1421 0.4542
13 HHV = -5.7673-0.3339N + 3.7558H + 6.2270S 0.6726 0.8325 4.4621 0.3099 1.0234
HHV = -0.1440N + 3.0001H + 2.5290S 0.6402 0.8850 4.8113 0.5418 1.0730
LHV = -7.9311-0.3876N + 3.6068H + 7.1913S 0.6392 0.8563 5.3734 0.4489 1.0597
LHV = -0.1264N + 2.5676H + 2.1059S 0.5761 0.9475 6.0550 0.8529 1.1487
14 HHV = 4,2012 + 3.3367H -3.2390S -0.09827O 0.6612 0.8707 4.6926 0.3263 1,0412
HHV = 3.6059H -1.6592S -0.05164O 0.6563 0.8618 4.6192 0.2874 1,0487
LHV = 4,3728 + 3.0920H -4.1346S -0.1243O 0.6279 0.8924 5.6517 0.4724 1.0763
LHV = 3.3722H -2.4902S -0.07574O 0.6224 0.8771 5.5182 0.4263 1.0842
15 HHV = 3.8715-0.2569N + 3.4156H-0.1244O 0.6879 0.8513 4.5940 0.3005 0.9992
HHV = -0.2109N + 3.7335H -0.07907O 0,6815 0.8231 4.4150 0.2163 1.0095
LHV = 3.7038-0.3095N + 3.1910H-0.1520O 0.6661 0.8716 5.5264 0.4262 1.0195
LHV = -0.2704N + 3.5150H -0.1112O 0.6601 0.8383 5.2873 0.3643 1.0286
dieciséis HHV = -2. 0611 + 0. 3003N + 0. 4508C 0.9367 0.3306 1.7717 0,0670 0.4499
HHV = 0. 2828N + 0. 4061C 0.9278 0.3619 1.9693 0.2295 0.4807
LHV = -4. 8114 + 0. 2726N + 0. 4519C 0.9572 0.2906 1.8214 0,0554 0.3649
LHV = 0.2317N + 0.3475C 0.9070 0.4582 2.9556 0.5400 0.5381
(Continúa en la siguiente
página)
644
 Combustible 214 (2018)
A. Ozyuguran et al. 640-646

Tabla 3 (continuado)

2
grupo n Ecuación r MAE AAE (%) ABE (%) RMSD

17 HHV = -4,9194 + 0.3287C + 1.4708H 0.9046 0.4269 2.2552 0,0895 0.5525

HHV = + 0.7823H 0.3115C
LHV = -6,7938 + 0.3569C + 1.1131H 0.8721 0.4978 2.7049 0,3567 0.6396
LHV = + 0.1622H 0.3331C 0.9153 0.3991 2.5070 0.1017 0.5136
0.8516 0.5534 3.5348 0.5645 0.6797
18 HHV = -3,1707 + 0.4353C + 5.5283S 0.9084 0.3853 2.0761 0,0955 0.5414
HHV = 0.3765C + 4.3114S 0.8899 0.4498 2.4664 0.3181 0,5934
LHV = -5,9142 + 0.4378C + 5.2473S 0.9381 0.3173 1.9763 0.0816 0.4391
LHV = 0.3282C + 2.9775S 0.8721 0.5389 3.4692 0.6135 0.6311
19 HHV = 4,4466 + 0.4048C-0.09586O 0.8887 0.4433 2.3741 1.1176 0.5967
HHV = -0.04781O 0.4584C 0.8714 0.4606 2.4105 -0,0089 0.6415
LHV = 1,5926 + 0.4074C -0.09598O 0.9242 0.3699 2.3077 0,1062 0.4859
LHV = 0. 4266C -0. 07877O 0.9219 0.3690 2.2775 0,0489 0.4932
20 HHV = -3.5972-0.09624N + 3.7575H 0.6521 0.8288 4.4489 0.3271 1.0551
HHV = -0.05708N + 3.1497H 0.6358 0.8761 4.7522 0.5052 1.0795
LHV = -5.4248-0.1131N + 3.6088H 0.6110 0.8547 5.3736 0.4818 1.1004
LHV = -0.05405N + 2.6922H 0.5730 0.9394 5.9896 0.8172 1.1529
21 HHV = -2,8558 + 3.6099H + 0.01778S 0.6438 0.8747 4.6865 0.3371 1.0675
HHV = 3.1426H -0.09802S 0.6326 0.8973 4.8545 0.4874 1.0841
LHV = -4,5516 + 3.4375H-0.01601S 0.5993 0.9096 5.7016 0.4989 1.1168
LHV = 2.6928H -0.2006S 0.5716 0.9526 6.0658 0.7971 1.1567
22 HHV = 0,4162 + 3.3907H -0.04672O 0.6521 0.8945 4.8021 0.3332 1.0550
HHV = 3.4336H -0.04292O 0.6520 0.8916 4.7831 0.3263 1.0551
LHV = -0,4587 + 3.1609H-0.05847O 0.6127 0.9227 5.8004 0.4889 1.0980
LHV = 3.1136H -0.06265O 0.6126 0.9273 5.8339 0.5000 1.0982
23 HHV = -0,8639 + 0.4336C 0.8474 0.5071 2.6908 0.1454 0.6987
HHV = 0.414657C 0.8458 0.5155 2.7541 0.2172 0.7025
LHV = 3,7246 + 0.4363C 0.8816 0.4526 2.7938 0.1601 0.6072
LHV = 0.354522C 0.8504 0.5530 0.5182 0.5262 0.6824
24 HHV = 8,9611 + 8,9377 (C / O) 0.6902 0.8167 4.4874 0.3245 0.9955
HHV = 16,93 (C / O) 0,1256 1.3932 7.3041 -1.3400 1.6726
LHV = 6,1929 + 8,9625 (C / O) 0.7133 0.8177 5.2356 0.3959 0.9447
LHV = 14,486 (C / O) 0.4362 1.1078 6.7719 -1.0321 1.3248

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.

Por lo que respecta a error funciones, se puede ver a partir de valores

MAE que el HHV y LHV predicciones podrían llevarse a cabo con un
mínimo significar errores absolutos de 0,3113 MJ / kg y 0,2904 MJ / kg,
respectivamente. Además, AAE (%) Valores variado en los intervalos de
(1.6629-4,8021) para HHV con constante, (1,7057-4,8545) para HHV sin
constante, (1,8202-5,8004) para LHV con constante, y (1.9120-6,0658) para
LHV sin constante. Aunque los límites superiores de estos resultados AAE
(%) pueden ser considerados un poco alto, que son consistentes con los
reportados en la literatura. Nhuchen y Abdul Salam[11] compilados estudios
de predicción HHV de la literatura para los residuos lignocelulósicos y
desechos, carbones de leña, y carbones que permite la comparación de
análisis de errores y actuaciones de predicción para cualquier tipo de
combustibles. Este estudio comparativo indicó que los valores más altos de
AAE (%) pertenecían a los residuos lignocelulósicos y otras especies de
biomasa, aunque relativamente mejores resultados se encontraron en el caso
de muestras de carbón. Además, Chen et al.[15] predijo que el HHV de la
Torrefibiomasa ed basado en los resultados de análisis elemental y find que
los errores de re-lative para biomasas no tratados tales como el bambú, de
Bengala, y el sauce alcanzaron 9,03%. Además, Choi et al.[28] valor AAE
determinado de 8,57% para la predicción HHV de la mezcla de estiércol del
ganado para la ecuación en la que, O, N, y S existía C.

Bousdira et al. [30] se dirigió a esa composición elemental revela buenos

resultados (promedio de error en torno al 2%) para las especies de biomasa
materiales de biomasa exceden este valor y que pueden conducir reducción en
la sensibilidad de predicción de las ecuaciones utilizadas. Por otra parte, se
determinó que ABE (%) varió en los rangos de (0.0549-1,1176) para HHV
con constante, (-0,0089-0,5418) para HHV sin constante, (0,0519-0,4989)
para LHV con constante, y (0.0489-0,8529) para LHV sin constante. Estos
resultados ABE fueron comparables con los resultados por García et al.[29].
Los mejores resultados de RMSD se obtuvieron cuando todos los
parámetros se incluyeron (Ecuación # 1). Eso es lo mejor RMSD valores
fueron 0,4230 y 0,4452 para el VHH y 0,3607 y 0,3931 para el PCI.
4. Conclusión
En este estudio, treinta y nueve diffespecies de biomasa Erent de orígenes
muy dif rentes se han utilizado para establecer correlaciones entre los
645
A. Ozyuguran et al.
2 2015; 177: 58-sesenta y cinco.
Figura 1. r valores para mejores resultados de grupos de parámetros.
referencias
[1] Klass DL. Biomasa para energía renovable, combustibles y productos químicos. San
Diego: Academic Prensa; 1998.
[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.
[3] gasificación de biomasa P. Basuficationes y pirólisis. su práctica y la teoría. Oxford:
Elsevier; 2010.
[4] Suhas A, Carrott PJM, Ribeiro Carrott MML. La lignina- del adsorbente natural carbón
activado: una revisión. Bioresour Technol 2007; 98: 2301-12.
[5] Kumar P, Barrett DM, Delwiche MJ, Stroeve P. Los métodos para el pretratamiento de
lig-nocellulosic biomasa para el correoFFIhidrólisis ciente y producción de biocombustibles.
Ind Eng Chem Res 2009; 48: 3713-29.
resultados del análisis ul-timate y la calorifivalor c. La comparación de la
HHV ex perimental y LHV con las predichas reveló que las ecuaciones
lineales que contienen sólo parámetros binarios de análisis último se pueden
utilizar para predecir el calorifivalor c satisfactoriamente. De carbono que es
el parámetro de base de estas ecuaciones puede ser alimentado por acompañar
de ni-trogen u oxígeno. El nitrógeno se encontró el elemento secundario
principal para tres casos, mientras que el oxígeno dio el mejor resultado en un
caso (LHV sin constante). Los análisis de error basa en MAE, AAE, y ABE
mostró que las actuaciones de predicción de estas formas altamente
condensada de EQUA-ciones son igualmente utilizables. Puede ser también
sugerido que los subconjuntos de biomasas que consistían en muestras con
propiedades relativamente similares pueden ser utilizados para una mejor
predicción del rendimiento.
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
[19] Motghare KA, Rathod AP, Wasewar KL, Labhsetwar NK. Estudio comparativo
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.
[21] Demirbas A. Cálculo de los valores de calentamiento más altas de combustibles de
biomasa. Combustible 1996; 76: 431-4.
[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-
50.
[23] Cordero T, F Márquez, Mirasol JR, Rodríguez JJ. Predicción de los valores de
calentamiento de lig-nocellulosics y materiales carbonosos de análisis inmediato. Combustible
2001; 80: 1567-71.
[24] Majumder AK, Jain R, Banerjee P, Barnwal JP. Desarrollo de nuevas próxima
análisis de correlación en base a predecir calorifivalor c de carbón. Combustible 2008; 87: 3077-
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