生物质热解产物综合利用方案及经济可行性

张欣驰，董善美，王 粤，吴石亮，肖 睿

(东南大学 能源与环境学院，江苏 南京 211189)

中国具有丰富的农林废弃物资源，据统计，农作物秸秆的资源量已经达到了9亿吨/年[1]。目前，农林废弃物的利用方式仍处于探索阶段，而农林废弃物资源的循环和分级利用是农林废弃物资源化利用的趋势，该方法的实现有利于增加农产品附加值、促进绿色农业发展[2]。当今阶段农业园区必须对园区内每年产生的大量秸秆类农林废弃物进行收集和处理，较为常用的办法有秸秆粉碎还田、堆沤制备有机肥等[2]。但是秸秆粉碎还田会降低稻麦等农作物的出芽率，堆沤制备的有机肥料肥效低，处理不当还会造成环境污染等问题[3]。生物质热解技术可以通过较低的成本连续高效地将低能量密度的生物质转化成高能量密度的气、液、固产物[4]。其中热解气燃烧能够提供热解反应器所需的能量；经焙烧活化后的生物炭由于具有丰富的孔隙结构以及巨大的比表面积使得其具有作为肥料载体的巨大潜力，可作为肥料缓释材料应用于大规模农作物水稻、小麦等的种植，能有效克服目前市场上简单混合生物炭与肥料得到的缓释肥缓释能力非常有限的问题；生物油具有天然的聚合成膜特性，其富含多羟基化合物，与异氰酸根化合物反应后可以生成新型的生物基聚氨酯树脂，改性后可作为包膜控释肥的包膜膜材，应用于高价值作物花卉、蔬果[5-6]的种植，相较于传统人工聚合包膜材料更节能环保，经济实惠,由此可以解决农业园区肥料需求量大的问题。目前支持向量机(SVM)算法较好地应用在生物质热化学转化过程中，相比其他机器学习算法，该算法在解决小样本、非线性及高维模式识别中表现突出[7]。本研究通过收集相关文献数据，利用SVM算法建立秸秆类生物质热解产物模型，提出了一个基于农业园区的产物综合利用一体化方案，并利用该模型进行后续优化，以期进一步提升农林废弃物资源开发利用综合效益。

1 建模及分析方法

1.1 生物质分级利用的SVM建模

1.1.1机器学习算法SVM的原理 支持向量机(SVM)算法的基本思想是将二维空间里难以分类的数据映射到高维的特征空间中，在特征空间里利用算法求出一个超平面实现数据的分类。将思想运用到回归问题，就是支持向量回归(SVR)，即找到这样的超平面，让所有数据点到这个平面的方差最小，这个超平面的函数就是数据内在关联的最优解。超平面的分类函数表达式为：

f(x)=ωTx+b

(1)

其中，式(1)中ωTx表示向量ω与向量x的内积，b为偏差项。令f(x)=0时定义数据点落在超平面上，对于回归类问题，目标函数可修正为：

(2)

式(2)中‖ω‖表示向量ω的范数，，c为惩罚参数，约束条件为：

yi[(w·xi)+b]≥1-εi,i=1,2,…,N

(3)

式(3)中εi(i≥0)为表征误差大小的松弛变量，通过特定的核函数，就能够计算出低维空间向量经过映射后在高维空间的向量内积值，核函数定义式为：

K(xi,xj)=φ(xi)T·φ(xj)

(4)

1.1.2SVM建模的方法及步骤

1.1.2.1数据集的建立 SVM算法建模是借用数据挖掘的思想，利用已有的数据划分出一个“训练数据集”，使用算法来解析训练集中的数据，提取输入数据与输出数据之间的关系，构建关联模型，进一步利用该关联模型去预测新的数据集的对应输出数据。本研究通过收集相关文献中的生物质热解数据，建立生物质热解产物数据库，为模型建模提供数据基础。利用SVM算法构建生物质热解产物的预测模型，通过分析预测性能来进行模型评估，利用模型的预测数据为农业园区废弃生物质利用方案的优化提供模型基础。选取的所有热解数据均取自流化床反应器热解实验，所有的实验全部是在纯氮气气氛下进行反应。数据库中输入数据包括部分秸秆类生物质的工业化学分析、粉碎粒径和热解温度；工业化学分析包括水分、灰分、碳、氢、氧、氮的含量；输出数据包括生物炭、生物油以及热解气产率。共选取12种农业园区种常见的秸秆类生物质原料，具体见表1。

表1 生物质数据集Table 1 Biomass data sets

如表1所示，生物质数据库共包含108组数据，数据分成训练集和预测集用于构建模型，将108组数据分为84组训练集数据和24组预测集数据。

1.1.2.2模型核函数和参数的选择 由于生物质热解过程的非线性化程度较高，核函数采用径向基核函数(RBF)，公式为：

(5)

式(4)中σ2为核函数的宽度。模型所用SVR方法决策函数基于超平面函数模型提出，决策函数如下：

(6)

经多次对秸秆类生物质热解模型进行试验，对于气产率模型，设定惩罚系数c为55，对于油产率模型，设定惩罚系数c为100，对于炭产率模型，设定惩罚系数c为95。

1.1.2.3模型的评价 通过引入3种评价指标来衡量预测结果误差大小，分别为：平均绝对误差(MAE)，均方根误差(RMSE)和皮尔逊相关系数(R)。

(7)

(8)

(9)

1.2 农业园区生物质分级利用方案

1.2.1生产流程 基于当前农业园区具体现实以及生物质基缓控释材料制备技术，构建农业园区生物质分级利用方案，如图1所示。

1.传送装置conveyer;2.搅拌器blender;3.焙烧床roasting bed;4.烘干机dryer;5.粉磨机pulverizer;6.燃烧床combustion bed;7.热解床pyrolysis bed;8.生物油储存罐bio-oil storage tank;9.一次冷凝器primary condenser;10.二次冷凝器after-condenser;11.反应床reaction bed;12.包衣机coating machine;13.大棚greenhouses;14.预混装置premixed device;15.农田cropland图1 农业园区生物质分级利用方案专用设备流程图Fig.1 Flow chart of special equipment for biomass grading utilization scheme in agricultural park

农业园区生产过程中产生的秸秆类废弃物经过烘干、碾磨、筛分等预处理后，进行热解；得到的热解气预混合后通入燃烧床为热解反应提供能量。生物炭经过焙烧活化处理后，与肥料搅拌混合，得到生物炭基缓释肥料，用于园区内大规模农作物的增产。生物油与异氰酸根化合物反应，经过有机硅改性处理后转换成控释膜材，经由包衣机喷涂包覆在肥料颗粒表面，得到生物包膜控释肥料，用于园区内高价值农作物的培育。

1.2.2经济可行性分析 在建立的生物质热解产物产率模型的基础上，讨论生物质热解产物分级利用方案的经济可行性。由于实际的经济效益受当地政策和经济条件的影响，本研究对农业园区生物质分级利用方案的经济性分析将基于中国的背景条件展开，采用成本-效益分析的方法，通过对投资成本、运行成本和经营利益进行计算分析，来论证方案的经济可行性。

2 结果与分析

2.1 热解产物综合利用方案评估

2.1.1模型预测结果 图2显示了生物炭、生物油、热解气3者的预测模型在训练集和预测集上的输出结果比较。数据点在图形对角线上方表示模型计算值大于实验值，在下方则表示计算值小于实验值，与对角线的距离大小表明了预测的精确程度。可以发现，SVM模型在训练集上表现出了较高的精度，输出数据与实际的实验结果十分接近，但在预测集上表现效果相对较差。

a.气产率gas yield；b.炭产率 char yield；c.油产率 oil yield图2 基于热解数据库的热解产物分布预测模型Fig.2 Prediction model of pyrolysis product distribution based on pyrolysis database

2.1.2模型精度评价 SVM模型对于各产物产率的性能预测如表2所示。

表2 热解产物产率SVM模型预测性能评价指标1)Table 2 SVM model prediction performance evaluation index for pyrolysis product yield

从表2中可以看出，SVM算法的预测性能均在训练集上表现出较预测集更高的精度，同时三者的训练集表现结果相差不大。炭产率的预测集结果较气产率和油产率拥有更好的表现。

Kim[21]通过收集文献数据，基于多元非线性回归方法建立了生物质热解产物预测模型，其模型R约为0.78。本研究数据在训练集上的R均大于0.994 0，而在预测集上的R分别为0.941 3、0.932 0和0.888 2，已超过前人模型精度。

图3显示了生物炭、生物油、热解气三者的预测模型在训练集和预测集上绝对误差的表现。陈星[22]通过使用ANN神经网络算法和SVM算法对比对生物质热解过程进行对比分析，其计算数据在训练集上的绝对误差在0.5～1.2之间浮动，在预测集上的绝对误差在1.7～2.5之间浮动。本研究数据在训练集上绝大部分计算值的绝对误差在0.4以内，相对误差小于0.5%；在预测集上，大部分计算值的绝对误差在1.0～3.0间浮动，所有计算值相对误差均小于12%，与文献[22]分析结果精度相当。

a.气产率gas yield；b.炭产率char yield；c.油产率oil yield图3 热解产物分布预测模型Fig.3 Prediction model of pyrolysis product distribution

2.2 项目运行效益分析

2.2.1项目经济性分析 项目所需的设备总费用为69.75万元，包含热解、预处理、冷凝、加工、辅助等系统设备。考虑组装费25万元、主体设备69.75万元、营运资本15.3万元和不可预见费14.45万元[23]等等，初投资共计102万元[23]。

以系统处理量400 kg/h、系统年运行时长3 000 h为标准，根据项目运行过程中的耗能、耗材、人力等计算得到项目运行成本和利润估算结果如表3所示。表中材料费用及生物炭、生物油产品的价值由采购网统计得到，水电费以江苏省农业生产水电费用为标准计算，人力费用以南京市近年月平均工资为标准近似取5 000元/(人·月)，其中维护[26]、财务[23]及材料费用统一计入其他项。

表3 单位处理成本及经济效益Table 3 Unit treatment cost and economic benefit

由表3可知，年处理量1 200 t时，每处理1 t生物质，项目的运行费用约为3 090.67 元，产品总净利润约42 039.33元，因此该方案切实可行。在补贴项目本身运行成本的同时，理想条件下还能为园区创收，具备持续运行的能力。

2.2.2个性化优化方案的效益对比 基于生物质热解产物关联模型，可根据园区作物种类、秸秆产量、肥料需求量等园区特性，合理选择热解条件，达到经济、环境效益最大化。例如针对一个种植面积共1 467 400 m2的综合性农业园区，包含水稻66 700 m2、小麦66 700 m2、玫瑰266 800 m2、康乃馨266 800 m2、黄瓜400 200 m2、草莓400 200 m2。

该园区年产水稻秸秆60 t，小麦秸秆40 t，次年需要炭基缓释复合肥料7 t、包膜控释复合肥料130 t。根据水稻秸秆及小麦秸秆的热解模型，设计优化方案，记为方案一(选取小麦秸秆约25.2 t，碾磨成粒径0.6～0.8 mm的颗粒，在500 ℃下热解，剩余约85.2 t秸秆进行机械处理)。同时设计两个对比方案，记为方案二(选取水稻秸秆约49 t，碾磨成粒径0.6～0.8 mm的颗粒，在400 ℃下热解，剩余约51 t秸秆进行机械处理)和方案三(原始的秸秆还田[27]方案，共需处理秸秆100 t)。3种方案的经济效益对比结果如表4所示。

表4 经济效益对比分析Table 4 Comparative analysis of economic benefits ×104元yuan

由表4可知，在此案例中，通过本项目的实施，园区在秸秆处理及肥料进购方面的开销可直接减少108.76万元，采取基于热解数据库和关联模型设计的优化方案可比普通方案进一步减少开销约8.67万元，即使用本项目后，在秸秆处理和肥料采买项目上，园区可节省相关支出近30%，采取优化方案可在此基础上再减少支出近4%。因此整体方案切实可行，优化方案的优化效果比较明显。

3 结 论

3.1对于生物质热解预测模型，SVM算法在训练集上的表现较为良好，但在预测集上还有进步空间，相较前人方法已经有了较大的改善。SVM算法通过引入松弛变量和惩罚系数，在小样本、非线性化严重的情况下表现良好，预测精度较高，通过该算法构建的模型具有一定的可信度,实现了对热解产物与生物质原料特性、热解条件的深层关联的探究。

3.2与传统秸秆还田方案相比，改良方案能够处理掉25%～50%的还田秸秆，同时在园区秸秆处理和肥料采买项目上可节省支出近30%，通过SVM算法建立生物质热解产物模型，在方案基础上进一步优化方案，优化后方案在基础上再减少相关支出近4%。