麦类秸秆燃料灰分与组成元素相关性分析研究

2019-06-20吴士博彭道平高加林

四川环境 2019年3期

吴士博，彭道平，彭哲，黄涛，高加林

(1.西南交通大学地球科学与环境工程学院，成都 611756；2.浙江海洋大学港航与交通运输工程学院，浙江舟山 316000)

1 前言

随着化石能源的利用，温室气体(GHG)减排对社会经济发展和环境保护具有十分积极的意义。在经济和技术的推动下，生物质能源的应用和推广备受关注。生物质能源作为一种可再生能源并且具有排污少、存量大等特点，越来越被普遍接受为一种清洁的、环境友好的资源[1]。目前，已经有多种能源转化技术应用在生物质方面，其中，应用最广泛的是直燃技术，同时，也是最直接的获取生物质能源的方式。作为生物质燃料，高位热值(HHV)或低位热值(LHV)是反应燃料质量的重要指标。学者们采用一系列实验预测模型，预测生物质燃料的热值。其中，常用的是工业分析(其中包括灰分、挥发分、水分和固定碳)和元素分析(其中包括C、H、O和N等)[2～4]。

生物质燃料的基础性之对其收集、加工、给料的应用以及燃烧锅炉的选型都有着至关重要的影响。比较而言，作为传统能源的煤炭，国内外诸多学者已对其基础性之间关系开展了广泛研究。对于生物质燃料而言，国内外学者对其基础性质之间的关系主要围绕热值与工业成分分析展开。比如S.B.Ghugare等人[5]建立非线性模型，通过神经网络方法拟合工业分析数值与热值关系，并得到较为满意的拟合度。同时，J.Shen等人[6]将灰分加入到工业分析数值与元素分析数值的相关性分析中，建立线性回归方程，并对其绝对误差和相对误差进行分析，能够准确通过工业分析结果预测生物质燃料的元素组成。此外，相关性分析及多元回归方法还被应用在生物质的其他方面，谢光明等人[7]研究了玉米植株各器官中重金属含量的相关性；周红艳[8]等人分别采用多元回归和BP人工神经网络模型对污水厂污泥混合发酵产气量进行研究。

生物质燃料灰分含量不仅与其热值呈负相关，并且灰分含量高容易导致燃料在燃炉中结渣，影响燃炉工作效率。因此，在生物质燃料应用之前准确预测其灰分含量对控制炉温及炉型选择有重要意义。目前专门针对麦类秸秆生物质燃料的相关性分析还未有广泛报道，本文通过对麦类秸秆的灰分含量与组成元素含量进行相关性分析，建立多元线性回归预测模型，并且通过预测值与实测值进行对比分析，判断所建立模型的准确性。

2 数据及方法

2.1 样品采集

本文所研究的样品为德国北威斯特法伦州的小麦秸秆，由于所取样品均较为干燥，所以在粉碎前未经干燥步骤。秸秆通过小型粉碎机进行粉碎，依次通过5mm、2mm、1mm网筛使得样品经过充分粉碎，粉末均小于1.0mm。粉碎后的秸秆样品储存于干燥的塑料袋中扎紧处于室温下保存。

2.2 工业分析与元素分析

由于本研究实验部分完成于德国亚琛工业大学，为了得到工业分析结果和元素分析结果，本研究采用欧盟技术标准进行检测。其中，小麦秸秆灰分参照《固体生物质燃料灰分测定方法》(CEN/TS 14775:2004)进行测定，元素分析参照《生物质固体燃料碳、氢、氮测试方法》(EN ISO 16948)、《生物质固体燃料硫和氯含量的测定》(EN ISO 16994:2016)，氧(O)含量由计算得出。所得结果如表1和表2所示，其中，根据表1工业分析结果与元素分析结果建立回归模型，表2结果用于验证回归模型。

表1 小麦秸秆灰分和组成元素含量Tab.1 Ash content and elements composition of triticeae straw (干燥基%)

续表1

样品灰分元素分析碳氢氧氮硫氯196.3546.685.9646.880.410.040.035206.5246.575.9946.960.40.040.036215.6246.886.0446.640.370.040.027225.4446.896.0146.650.380.040.028235.2146.52647.030.370.030.049244.8746.445.9847.120.380.030.047255.8346.66.0246.930.360.040.055265.3746.556.0546.910.390.050.048276.0446.086.0647.410.370.050.031285.7746.016.0947.410.40.060.027295.0946.476.1446.930.370.050.039305.246.336.147.140.350.050.035315.2646.546.2246.760.390.050.035325.1546.66.1346.830.350.050.037335.1146.746.1346.650.370.040.062344.9446.716.2246.580.390.040.06

表2 麦类秸秆灰分和组成元素含量Tab.2 Ash content and elements composition of triticeae straw (干燥基%)

2.3 相关性分析与建立回归模型

相关性分析是研究变量间关联密切程度的一种常用的统计方法，线性相关分析研究两个变量间线性关系的强弱程度和方向。正态分布变量x与y间的线性相关系数采用Pearson积矩相关公式计算，如公式(1)所示。

(1)

随后，对Person相关系数进行假设检验，假设检验值计算方法如公式(2)所示。

(2)

式中，r是相关系数；n是样本观测数；n-2是自由度。当t>t0.05(n-2)时，p<0.05，拒绝原假设，否则不足以在这个检验中拒绝相关系数为0的原假设。

利用表1的生物质燃料测试数据建立多元线性回归方程。将小麦秸秆灰分含量作为因变量，元素分析指标中碳、氢、氧、氮、硫和氯含量作为自变量，建立多元线性回归方程并进行显著性检验。同时，利用表2中数据进行预测结果分析。

3 结果与分析

3.1 相关性分析

小麦秸秆生物质燃料组成元素对灰分的相关性见表3。现有研究发现，生物质燃料的灰分、挥发分以及固定碳含量均与其组成元素有着一定的相关性[13]。经过标准化处理后发现，本研究所测小麦秸秆的组成元素与灰分相关性显著。

注：*为相关性在0.01水平上显著(双侧)。

数据标准化处理后，从相关性分析表中可以看出，小麦秸秆元素组成均与灰分有着显著的相关性(显著性均低于0.01)。其中，碳、氢、氮、硫和氯元素与灰分呈现负相关性，负相关程度从高到低依次为氯(0.852)、碳(0.789)、氢(0.611)、氮(0.566)和硫(0.463)。相反的是，氧与灰分呈现高度正相关性，相关系数为0.815。生物质可燃成分主要以碳和氢元素组成的可燃性有机物形式存在，氯元素则以易挥发的碱金属氯化物等形式存在，所以在生物质燃料燃烧过程中，碳、氢和氯存在越多，所剩的灰分越少。灰分主要是生物质燃料可燃物质燃烧后剩余的物质，根据测定，灰分主要成分为石英(SiO2)、碳酸钙(CaCO3)等，以及一些碱金属盐及氧化物存在。尽管李薇等人[14]提出氧与灰分呈现负相关，因为金属氧化物在形成过程中需要空气中的氧，而原生物质中的氧形成水和二氧化碳排出。但是经过测定可以看出，小麦秸秆灰分中以SiO2等成分为主，普遍存在于原秸秆中，因此，氧与小麦秸秆灰分存在一定的正相关关系。

3.2 回归模型建立

小麦秸秆的元素分析包含了碳、氢、氧、氮、硫、和氯，多个指标的逐个分析会对灰分含量预测造成片面的认识，很难得到一致性很好的结论。所以，利用降维的办法将六个指标转换成两个互相不相关的独立指标，简化预测模型。通过SPSS计算，F1和F2可由公式(3)和公式(4)表示。

F1=0.377FC+0.3FH-0.361F0-0.191FN

-0.226FS+0.254FCl

(3)

F2=-0.161FC-0.121FH+0.121F0

+0.617FN+0.653FS+0.006FCl

(4)

式中，F1为回归方程综合指标一；F2为回归方程综合指标二；FC为碳元素含量；FH为氢元素含量；FO为氧元素含量；FN为氮元素含量；FS为硫元素含量；FCl为氯元素含量。

图1 秸秆生物质元素旋转成分图Fig.1 Rotation diagram of element composition of straw biomass.

图1中可以看出，对因素F1影响较大的是碳、氯和氢含量，同时氧元素含量对F1有较大负影响；对因素F2影响较大的是硫和氮元素含量。该结果与组成元素对灰分含量相关性结果一致。

建立的线性回归模型结果如表4、表5以及公式(5)所示。

表4 回归模型方差分析表Tab.4 Regression model anova

表5 回归模型判定系数表Tab.5 Regression model decision coefficient

FAsh=4.774-0.0648F1-0.298F2

(5)

式中，FAsh为生物质燃料灰分含量。

基于表2麦类秸秆生物质灰分含量及各组成元素含量，利用多元线性回归方程(5)进行麦类生物质燃料灰分含量预测，预测值与实测值对比后计算其绝对误差，结果如图2所示。在选取的7个麦类样品中，绝对误差最大为样品7，绝对误差值为25.2%；最小为样品5，绝对误差为3.4%，其中平均绝对误差为9.0%。同时，剔除误差最大的样品7后，其余六个样品绝对误差减小到6.3%，预测值与实测值拟合度进一步提升。综上所述，本文所建立的回归模型对麦类秸秆燃料的灰分含量有一定的预测价值。