Modelling and Control of Anaerobic Digestion of e

221 Pages·2008·2 MB·English

Universität für Bodenkultur
Department für Biotechnologie
Institut für Angewandte Mikrobiologie
Vorstand:
O.Univ.Prof.DI Dr. Hermann Katinger
Modelling and Control of the Anaerobic
Digestion of Energy Crops
Dissertation zur Erlangung des Doktorgrades
an der Universität für Bodenkultur
eingereicht von
Dipl. Ing. Alexandra Wolfsberger
Betreuer:
Ao. Univ. Prof. DI Dr. Peter Holubar
Gerersdorf, September 2008
.
Danksagung
Ich habe lange über die richtigen Worte für diese Seite nachgedacht - soll diese
Dankssagung doch eigentlich einer der wichtigsten Seiten meiner Arbeit sein. Ich musste
jedoch nicht lange darüber nachdenken wen ich danken sollte, sondern viel mehr wie ich
diesen Dank ausdrücken könnte. Und habe mich letztendlich dazuentschieden einmal in
meinen Leben nicht unendlich auszuschweifen.
Ich möchte mich daher an erster Stelle Ao.Prof DI Dr. Peter Holubar bedanken, der mir
diese Arbeit ermöglicht hat und mich fortwährend unterstützt und ermutigt hat. Weiters
möchte ich mich bei Ao. Prof. DI Dr Rudolf Braun bedanken, der sich freundlicherweise
bereit erklärt hat meine Arbeit zu begutachten.
Natürlich möchte ich mich bei allen Mitarbeiter der Arbeitsgruppe bedanken die mich
während meiner gesamten Dissertation begleitet haben und ohne deren Mithilfe diese
Arbeit nicht möglich gewesen werde, insbesondere Susanne Beisteiner, Pamela
Berghold, Julia Brändle, Alexander Domnanovich, Sanne Dekker, Manuela Graf,
Magdalena Heinz, Barbara Hieger, Nina Maurer, Josef Rasinger, Simon Rittmann, Jakub
Rybka, Daniel Schiller, Sonja Siegl und David Strik. Ich hoffe, dass sich auch in Zukunft
unsere Wege noch oft kreuzen werden.
Ganz besonderer Dank gilt meiner Familie und meinen Freunden die mir während all den
Jahren die Kraft und die Freude gegeben haben diese Arbeit auch tatsächlich zu Ende
zu bringen.
Gerersdorf, September 2008
Diese Arbeit wurde im Rahmen des EU-Projektes CROPGEN am Institut für Angewandte
Mikrobiologie, Arbeitsgruppe für Umweltbiotechnologie der Universität für Bodenkultur
Wien erstellt. Das CROPGEN Projekt (Renewable energy from crops and agrowastes)
wurde gefördert durch die Europäische Kommission unter der Projektnummer: SES6-CT-
2004-502824
.
KURZFASSUNG
Kurzfassung
Unter anaerober Vergärung versteht man die Umsetzung von organischem Material zu
anorganischem Material und methanhältigem Gas unter Ausschluss von Sauerstoff.
Diese Technik ist eine der ältesten in der Abwasserreinigung eingesetzten Methoden
(Feng et al., 2006). Zwar wird die Anaerobtechnik auch heute zumeist in diesem Bereich
eingesetzt, doch gewinnen Biogasanlagen zur Energiegewinnung immer mehr an
Bedeutung. Die meisten der neuren Biogasanlagen sind sogenannte landwirtschaftliche
Biogasanlagen in denen neben Gülle, auch Energiepflanzen vergärt werden,
insbesondere Mais (-silage).
Verschiedenste Probleme verringern jedoch die Effizienz dieser Anlagen, wie niedrige
Methankonzentration im Biogas, Selbsterwärmung der Anlagen oder Geruchsprobleme.
Daher ist eine Optimierung des Prozesses notwendig. Diese Optimierung kann viele
verschiedene Gesichtspunkte umfassen: neue Reaktorformen, gezielte Auswahl von
Substraten oder verbesserte Steuerung des Prozesses. Ziel dieser Arbeit nun ist die
Optimierung des Prozesses durch Modellierung und Steuerung der anaeroben
Vergärung von Energiepflanzen.
Basis jeder guten Steuerung ist nicht nur ein ausgereiftes Messsystem, sondern auch ein
umfangreiches Wissen über den Prozess selbst. Um einen guten Einblick in den
Biogasprozess zu bekommen, sind Modelle ein gutes Hilfsmittel. In dieser Arbeit wurde
das Anaerobic Digestion Model No.1 (ADM1) (Batstone et al., 2002) herangezogen.
Das ADM1 ist ein mathematisches Model das den Biogasprozess beschreibt und von der
IWA Task group for Mathematical Modeling of Anaerobic Digestion Processes entwickelt
wurde.
Da das Modell sehr allgemein ist, wurde es für die Modellierung der anaeroben
Vergärung von Energiepflanzen leicht adaptiert. Aufgrund der Komplexität des Modells
befasst sich ein großer Teil der Arbeit mit der Kalibrierung des Models. Dabei wurde
unter anderen eine Methode entwickelt mit denen die Anfangsbedingungen abgeschätzt
werden können ohne aufwendige Messungen.
Das modifizierte Model wurde schließlich in das sogenannte Virtual Laboratory (VL)
implementiert – ein Softwaretrainingstool, dass den Benutzer Einblick in den
Biogasprozess geben soll.
Weiters wurde ein Steuerelement – ein Decision Support Tool (DSS) - auf Fuzzy Logik
basierend weiterentwickelt. Um verschiedene Tools miteinander vergleichen zu können,
wurde eine auf Composite Programming und dem ADM1 basierend Methode verwendet.
I
.
ABSTRACT
Abstract
Anaerobic digestion (AD) of wastewater, organic wastes and biomass results in the
formation of a useful end-product (biogas). Biogas is primarily composed of methane and
carbon dioxide and can be processed to electrical energy and heat. Thanks to special
government subsidies, there has been a veritable boom in biogas-plant technology in
Austria, in recent times. Most of these biogas plants are agricultural biogas plants and use
energy crops, especially maize (silage), as a renewable and sustainable substrate.
In order to integrate the production of energy from biogas into the existing energy
infrastructure, the AD of biomass has to optimised, not only to make the process
economically attractive, but also to solve certain problems e.g. low methane values in the
biogas (approximately 50%), self-heating in the plants and the odours from fermentation.
This optimization of the biogas process can be achieved by technical improvements (e.g.
by identifying new process designs, that overcome process instabilities when dealing
with high-cellulose substrate), by testing reactor designs and operating modes and by
classifying and ranking crops regarding their energy production. Objective of this study is
the optimization of the process by enhanced process control.
There are different possibilities of controlling the anaerobic digestion process, for
example PID control, Fuzzy logic based control, neural network based control or control
based on linear and non-linear models. In this case, the advanced control is achieved
using a Decision Support System (DSS) based on Fuzzy Logic.
Yet the implementation of an effective control tool, apart from the advanced monitoring of
the plant, requires a good knowledge of the AD process itself. This knowledge of the
biogas process can be obtained using process models. In this study the Anaerobic
Digestion Model No.1 (Batstone et al, 2002) was used.
The ADM1 is mathematical model describing the biogas process and was developed by
the IWA Task group for Mathematical Modeling of Anaerobic Digestion Processes
(Batstone et al, 2002) and first presented at the 9th IWA Anaerobic Digestion Conference
in Belgium in 2001.
As the ADM1 is not fully suitable for modelling the anaerobic digestion of energy crops
the model had to be slightly adapted. A large part of the study deals with the calibration
of the model, due to its complexity.
The adapted version of the model was then used as the basis for the so-called “Virtual
Laboratory” (VL) – a software training tool, which provides users with the possibility of
gaining more insight into the biogas process.
II
.
ABBREVATIONS
Abbrevations
AD Anaerobic Digestion
ADM1 Anaerobic Digestion Model No.1
ADMML Anaerobic Digestion Model based on Marsili-Libelli
ASM1 Activated Sludge Model No.1
ATP Adenosintriphosphate
ATV Abwassertechnische Vereinigung
BMP Biochemical Methane Potential
BSA Bovine Serum Albumin
CA Crude Ash
CF Crude Fibre
C Carbon Content of Component i
i
CL Crude Lipid
COD Chemical Oxygen Demand
CP Crude Protein
CSTR Continuous Stirred Tank Reactor
DSS Decision Support System
d index of agreement
x
FID Flame Ionisation Detection
FL Fuzzy Logic
FTIR - ATR Fourier Transform Infrared – Attenuated Total Reflection
GA Genetic Algorithm
GC Gas Chromatograph
GP Gas Production
GPS Whole Plant Maize Silage
HMI Human Machine Interface
HRT Hydraulic Retention Time
IAE Integral Absolute Error
I Inhibition Function
Inhibitor,Process
IWA International Water Association
K Acid-Base Equilibrium
a,Acid
k First Order Decay Rate
dec
K Henry's Law Coefficient
H
k a Gas-Liquid Transfer Coefficient
L
k Monod Maximum Specific Uptake Rate
m,i
k First Order Rate
Process
K Half Saturation Value
S,i
LCFA Long Chain Fatty Acids
LJ Luus-Jaakola
Maize Maize Silage
III
ABBREVATIONS
MAX Maximum
MC Methane Content
MIN Minimum
MRE Maximum Relative Errors
NfE Nitrogen free Extract
N Nitrogen Content of Component i
i
NN Neural Networks
ODE Ordinary Differential Equation
OF Objective Function
OLR Organic Loading Rate
ORP Oxidation Reduction Potential
PF Plug Flow Reactor
PID Partial Integral Derivate Control
R Gas Law Constant
R Ratio of Means
Mean
RMSE Root Mean Square Errors
RO Reverse Osmose
SA Simulated Annealing
SAE Sum of Absolute Errors
SESP Search Space
S Soluble Component i
i
SR Sulphate Reduction
SRB Sulphate Reduction Bacteria
SRT Sludge Retention Time
SS Suspended Solids/Dry Matter
SSE Sum of Squared Errors
STD Standard Deviation
Sunflower Sunflower Press Residues
TAN Total Ammonia Nitrogen
TC Total Carbon
TCD Thermal Conductivity Detection
TKN Total Kjieldahl Nitrogen
TN Total Nitrogen
TOC Total Organic Carbon
UASB Upflow anaerobic Sludge Reactor
UV Ultraviolet
VAR Variance
VFA Volatile Fatty Acids
VL Virtual Laboratory
VSS Volatile Suspended Solids
WWTP Waste Water Treatment Plant
IV