Text

Förnybar energi

RENAISSANCE

Realtidskarakterisering av materialflöden för optimal drift av kraftvärmeverk, avloppsreningsverk och avfallshanteringsanläggningar och hållbar resursanvändning inom cirkulär ekonomi.

Start

2021-04-01

Planerat avslut

2022-09-30

Forskningsområde

Forskningsinriktning

Projektansvarig vid MDH

No partial template found

Dagens värld kännetecknas av ständigt växande energi- och materialbehov som resulterar i produktion av stora mängder avfall i olika former. Ett hållbart avfallshanteringssätt krävs för att hantera detta miljöhot. Enligt den europeiska avfallshanteringshierarkin är återanvändning av avfall, återvinning och energiåtervinning att föredra framför avfallshantering. Komponenter i avfallet, såsom plast, kan sorteras ut och återanvändas eller återvinnas för att öka livslängden. För att hjälpa till med återvinning av avfall och energiåtervinning krävs teknologier som klassificerar avfallskomponenter för automatisk realtidssortering. Dessutom är biomassa som härrör från skogsrester såväl som från andra källor material med mycket varierande egenskaper som gör dess användning i energiomvandlingsprocesser komplex på grund av oönskade processinstabiliteter. Därför finns det ett behov av sensorer som kan mäta relevanta egenskaper och klassificera material i realtid för att optimera processdrift och regleringsåtgärder.

Dessutom ser vi ökande problem med föroreningar såsom läkemedel i avloppsvattnet, så kallade föroreningar av framväxande bekymmer (CEC). Dessa är av avgörande betydelse på grund av deras potentiellt skadliga inverkan på miljöresurser och exponering för människor och biota. Medan många av CEC har påträffats i miljön i årtionden, kräver deras ökande halter i miljön nya analytiska tekniker som kan upptäcka dem snabbt och i låga koncentrationer. Idag finns det ett behov av att upprätta ett protokoll för detektering av dessa CEC i avloppsvattnet såväl som slammet. Analys av CEC i avloppsvatten kan vara utmanande och måste kunna hantera olika partikelstorlekar, strukturer, former och polymertyper spridda i komplexa miljömatriser. På grund av den ökade förekomsten av CEC i miljön är det dock mycket viktigt att börja utvärdera nya analytiska tekniker.

RENAISSANCE-projektet syftar till att möjliggöra realtidskarakterisering av kommunala fasta avfallskomponenter samt biomassa, slam och mätningar av relevanta avloppsvattenegenskaper med hjälp av maskininlärnings- och artificiell intelligens (AI) algoritmer. De viktiga egenskaperna kommer att identifieras inom projektet och inkluderar t.ex. elementarsammansättning, klassificering av avfallskomponenter för att möjliggöra sortering av avfall, olika CEC-koncentrationer i avloppsvatten och slam, andra QA/QC-indikatorer mm.

Projektets syfte

Visa potentialen att använda optiska spektroskopisensorer i kombination med artificiell intelligens (AI) -baserad dataanalys för kvalitativ och kvantitativ realtidskarakterisering av egenskaper av intresse för viktiga materialflöden för optimal drift av kraftvärmeverk, avloppsreningsverk (WWTP) och anläggningar för avfallshantering och optimal användning av resurser för att bidra till en cirkulär ekonomi.

Projektmål

1. Identifiera lämpliga materialflöden (t.ex. prover av avfall, biomassa, slam och avloppsvatten etc.) i kraftvärme och reningsverk och viktiga kvalitativa och kvantitativa egenskaper av intresse (t.ex. elementarsammansättning, energiinnehåll, förutsägelse av termokemiskt beteende, olika viktiga CEC-koncentrationer, andra QA / QC-indikatorer, klassificering / diskriminering av komponenter etc.) baserat på samproduktion med industripartner och litteraturgranskning.

2. Identifiera (a) den mest lämpliga kemiska analysmetoden och (b) spektroskopiteknik för kvalitativ och kvantitativ karakterisering för att möjliggöra realtidsmätningar. Utför provtagning, provberedning och förvärv av spektroskopidata samt referensdata → Provtagnings- och datainsamlingsprotokoll.

3. Identifiera och använd lämpliga spektrala förbehandlingstekniker och utveckla multivariata regressions- och klassificeringsmodeller med machine learning- och artificiell intelligens algoritmer som möjliggör realtidsmätningar och utvärdera modellprestanda för definierade material / vattenegenskaper av intresse → Multivariat modelleringsprotokoll.

4. Utvärdera potentialen och begränsningarna i den utvecklade metoden för att möjliggöra karakterisering i realtid av viktiga egenskaper av intresse för materialflöden och föreslå dess implementeringsstrategi för optimal drift av kraftvärmeproduktions- och avloppsreningsverk och anläggningar för avfallshantering och optimal användning av resurser inom cirkulär ekonomi.

 

Till toppen