Modellering för ökad digitalisering av anaerobrötning
Diarienummer | |
Koordinator | Linköpings universitet - Linköpings universitet Institutionen för tema |
Bidrag från Vinnova | 476 905 kronor |
Projektets löptid | mars 2022 - december 2022 |
Status | Avslutat |
Utlysning | Strategiska innovationsprogrammet för processindustriell IT och automation - PiiA |
Ansökningsomgång | PiiA: Dataanalys i processindustriella värdekedjor, hösten 2021 |
Viktiga resultat som projektet gav
Projektets huvudsyfte var att utvärdera kopplingar mellan biogasprocessens funktion/prestanda, egenskaper hos reaktorvätskan och den energi som krävs för omrörning i reaktorn. Målen var att 1) fånga upp variationer i dessa tre parametrar under olika förhållanden och 2) utveckla modeller för att beskriva dessa variationer. Båda målen har uppfyllts men ytterligare arbete behövs för att förbättra modellernas prediktiva förmåga för olika operationella scenarier. Möjligheten att inkludera ytterligare parametrar för att förbättra modellerna bör utvärderas.
Långsiktiga effekter som förväntas
Vi visar i projektet att flödesegenskaperna hos reaktorvätskan i en biogasprocess ändras med processens prestanda/stabilitet. Dessa förändringar kan troligtvis mätas direkt via motorerna som driver omrörningen i reaktorerna men mer data behövs. Med hjälp av Vector autoregression analys kunde vi också vissa på möjliga korrelationer mellan signalerna från omröringsmotorerna och parametrar som konventionellt används för processövervakning. Fortsatt arbete inom området bör fokuseras på att identifiera hur flödesegenskaper kan övervakas online i industriell skala.
Upplägg och genomförande
Specifik gasproduktion, halter av organiska syror, torrhalt och pH i reaktorvätskan samt belastningen på omrörningsmotorerna samlades in från två labskalereaktorer (R1 & R2). R1 var stabil genom hela försöket medan processen i R2 stördes avsiktligt, genom tillsats av urea, under en period för att fånga upp förändringar relaterat till processinstabilitet. En enkel regressionsanalys gjordes på de två dataseten för att hitta korrelationer mellan processparametrarna, detta följdes sedan av en mer avancerad vector autoregression analys.