《Renewable Energy》：Co-gasification Modeling of Herbaceous–Hardwood biomass mixtures: Influence of Equivalence Ratio and Gasifying Agents
编辑推荐：
生物质热化学气化工艺研究：基于Aspen Plus的下行式气化模型构建与协同气化优化
Sanalkumar Atthanikuzhy Peethambaran|Saravanan Ramiah Shanmugam|Arul Chan Basha|Gunasekar Varadarajan|Noori.M.Cata Saady|Sohrab Zendehboudi|Malinee Sriariyanun|Ponnusami Venkatachalam
印度坦贾武尔SASTRA大学化学与生物技术学院生物能源中心生物质转化与生物产物实验室
摘要
生物质热化学转化是生产清洁和可持续生物燃料的一种有前景的方法。本研究在Aspen Plus软件中开发了一个详细的下吸式气化模型，用于分析三种生物质的气化性能：Sesamum indicum茎秆残渣（SR）、Oryza sativa壳（RH）和Prosopis juliflora（PJ）。模拟的气体组成与5千瓦下吸式气化器的实验数据非常吻合，其高位热值（HHV）、冷气效率（CGE）和碳转化效率（CCE）均与观测值非常接近。各项测试的均方根偏差（RMSD）在0.99到2.12之间，验证了模拟模型的准确性。为了符合联合国可持续发展目标7和13，本研究进一步探讨了使用不同气化剂（空气、富氧空气和蒸汽）对这三种生物质进行共气化的效果，并研究了当量比（ER）和蒸汽与生物质比（SB）的影响。研究发现，增加ER（从0.1增加到0.4）和SB（从0.05增加到0.75）会显著影响气体组成、HHV和CGE。采用中心复合设计来分析变量间的相互作用并优化工艺条件。高PJ含量和适中的ER值能够最大化合成气中的氢含量。
引言
由于技术的快速发展以及人口的增长，能源需求持续上升。我们对化石燃料的依赖加剧了全球变暖、空气污染和资源枯竭的问题。因此，转向可持续能源的必要性比以往任何时候都更加迫切。解决这一矛盾的最有前景的方法之一是开发基于生物质和废物的可持续能源。废物转化能源技术可以将农业、市政和工业废物转化为可用能源。生物质能源利用有机材料，如农业废弃物、林业废弃物和动物粪便。这些可再生资源在减少对化石燃料依赖的同时，也解决了废物管理问题。利用生物质废弃物发电可以提高能源可靠性，减少温室气体排放，并创造新的经济机会[1]。这种方法符合全球可持续发展目标，有助于实现更清洁、更具韧性的能源未来。因此，迫切需要开发可持续且有效的废物转化能源解决方案。
热化学过程在能源生产和废物增值中起着关键作用。生物质气化，特别是共气化，已成为将多种生物质原料转化为合成气的一种有前景的热化学方法[2]。全球对可持续能源转型的需求推动了生物质气化领域的重大投资，2021年该市场价值为1141亿美元，预计到2029年将达到2096.3亿美元，复合年增长率（CAGR）为7.9%[3]。在各种反应器配置中，下吸式气化器（尤其是无喉型）因其紧凑的设计、较低的焦油产生量以及适用于使用农业和木质残渣的分散式应用而受到青睐。共气化技术同时实现了废物最小化和清洁能源生产的双重优势，促进了循环经济原则，并减轻了对环境的影响[4]。
根据热供应机制，气化系统大致分为等温型和自热型。在等温气化中，反应所需的热量来自外部，通常是通过热气循环、换热器或电加热器提供的。而自热气化是一个自维持的过程，其中原料的部分氧化在内部产生所需的热量[5]。自热气化因其自给自足性、成本节约和大规模发电能力而受到推荐[6]。
尽管生物质气化具有诸多优势，但由于化学动力学、热力学和传输现象的复杂相互作用，实验研究往往资源密集。使用Aspen Plus等工具进行过程建模提供了一种经济有效的替代方案，能够对气化过程进行严格模拟，并便于参数研究。Aspen Plus允许分析关键参数，如当量比（ER）、气化剂、原料组成以及蒸汽与生物质比（SB）。它还能通过预测燃料消耗、能量输出和过程效率来进行成本效益分析[7]。多项近期研究利用Aspen Plus加深了我们对等温和自热条件下生物质气化的理解。Jadoon等人[8]比较了使用Aspen Plus对木质生物质进行空气气化的不同建模策略，发现基于热力学的建模在预测合成气组成方面最为准确，其次是基于动力学的建模和热力学平衡建模。Li等人[9]在流化床反应器中模拟了废轮胎的气化，并展示了使用蒸汽和CO2作为气化剂时氢产量的提高。Safarian等人[10]提出了一个与氢生产单元相连的下吸式气化综合模型，确定了最大化锯末氢产量的最佳条件。Ezeh等人[11]研究了稻壳气化，发现ER和SB是影响合成气组成、碳转化效率（CCE）和整体性能的关键变量。在最佳气化条件下，获得了H2（38%）、CO（25%）、CH4（10%）和CO2（22%）的合成气组成，碳转化效率超过85%。Mehdi等人[12]研究了城市固体废物（MSW）的蒸汽气化，获得了48%的H2和41%的CO，以及在800°C和1巴的压力下，当蒸汽与MSW比例为0.1时的最大产量和90%的冷气效率（CGE）。此外，还有多项关于共气化的研究，包括藻类-塑料废物的共气化[13]、空气干燥的松木屑[14]、锯末和聚乙烯[15]、稻壳-塑料的共气化[16]以及废弃蘑菇基质-废弃聚乙烯的共气化[17]。
我们之前的工作[18]报道了使用定制的无喉式下吸式气化器对草本生物质和木质生物质进行共气化的结果。然而，实验运行受到固定操作条件的限制，特别是恒定的空气流速。气化器的固定操作配置限制了我们系统研究关键气化参数的能力，例如ER、生物质混合比例以及不同气化剂（如富氧空气和蒸汽）的影响。然而，已知ER会显著影响合成气组成、焦油形成和转化效率。同样，气化剂的选择（空气、富氧空气或蒸汽）也会影响过程中的氢富集和CGE。理解这些变量之间的相互作用对于优化不同生物质混合物的气化过程至关重要，特别是在涉及具有不同物理和化学特性的草本和木质原料的共气化场景中。因此，我们采用基于Aspen Plus的模拟方法来系统探索这些变量/参数的影响，以克服这些限制。通过过程建模，我们旨在弥合经验观察与过程级优化之间的差距，从而更好地理解在现实和可调条件下的共气化行为。这种综合方法有助于参数优化，并为在分散式能源系统和氢生产平台中扩大生物质气化技术的应用提供关键见解。
尽管已有大量关于生物质气化的报道；但大多数基于Aspen Plus的研究依赖于简化的反应器模型，例如用于热力学平衡的RGibbs[19]或用于固定产品产量的RYield[20]。这些方法常常忽略了关键的动力学和传输现象，限制了它们捕捉真实气化器中非平衡行为的能力。本研究通过（i）整合一个包含多生物质共气化的动力学非平衡RPlug反应器模型，（ii）关注草本-硬木生物质混合物残渣（有助于实现SDG 7（负担得起和清洁的能源）和SDG 13（气候行动）的目标，以及（iii）系统地使用中心复合设计（CCD）来高效探索多维设计空间并捕捉ER、生物质与气化剂比例和原料混合组成之间的非线性曲线和交互效应，从而弥补了这些不足，提供了比现有简化建模方法更现实和实用的合成气生产和清洁能源生成框架。
材料与方法
本研究利用Aspen模拟模型来研究生物质原料（包括Sesamum indicum茎秆残渣（SR）、Oryza sativa壳（RH）和Prosopis juliflora（PJ）的气化，以及它们与12种不同混合比的共气化。原料的性质和下吸式气化器的示意图在我们的先前报告[18]中有所介绍。
模型验证
图2展示了Aspen Plus模拟和实验研究得到的合成气组成的比较。特别是在H2、CO和CO2方面，两者之间的吻合度很高。从实验和模拟研究中比较CCE、CGE和HHV的结果表明，该模拟模型能够基于所有使用标准方程计算的性能指标准确预测实验结果。
结论
本研究采用Aspen Plus模拟结合响应面方法（RSM）来研究和优化三种生物质原料（包括Sesamum indicum茎秆残渣（SR）、Oryza sativa壳（RH）和Prosopis juliflora（PJ）在不同气化剂（空气、40%富氧空气和蒸汽）下的共气化过程。基于Aspen的模型与实验数据的对比显示，均方根偏差（RMSD）值在0.99到2.12之间，准确再现了合成气的组成。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Ponnusami Venkatachalam报告称获得了印度科技部的财政支持；Malinee Sriariyanun报告称获得了泰国科学研究与创新的财政支持；Noori教授报告称
手稿准备过程中生成式AI和AI辅助技术的使用声明
在准备本工作时，作者使用了ChatGPT来润色语言。使用该工具/服务后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。
作者贡献声明
Ponnusami Venkatachalam：撰写 – 审稿与编辑、可视化、监督、项目管理、概念化。Gunasekar Varadarajan：撰写 – 审稿与编辑、可视化、形式分析。Noori M. Cata Saady：撰写 – 审稿与编辑、可视化、形式分析。Sohrab Zendehboudi：撰写 – 审稿与编辑、可视化、形式分析。Malinee Sriariyanun：撰写 – 审稿与编辑、可视化、形式分析。Sanalkumar Atthanikuzhy Peethambaran：撰写 –
利益冲突声明
? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Ponnusami Venkatachalam获得了印度科技部的财政支持；Malinee Sriariyanun获得了泰国科学研究与创新的财政支持；Noori教授报告称
致谢
作者感谢印度科技部以及SASTRA大学的支持；City Union Bank通过企业社会责任基金支持了该项目；泰国科学研究与创新和国家科学研究与创新基金（NSRF）也提供了支持；King Mongkut's University of Technology North Bangkok通过研究资助（合同编号KMUTNB-FF-69-B-03）为这项工作提供了财政支持。
