禽粪与麦秸协同厌氧发酵体系的需求导向产沼气性能及模型预测

2022-12-19刘轶鋆黄晶晶黄涛胡晨晖张诗华王诗生刘玲盛广宏

科学技术与工程 2022年32期

刘轶鋆，黄晶晶，黄涛，胡晨晖，张诗华，王诗生，刘玲，盛广宏

(1.安徽工业大学能源与环境学院，马鞍山 243002；2.Institute for Sanitary Engineering, Water Quality and Solid Waste Management, University of Stuttgart, Stuttgart 70569；3.西南交通大学地球科学与环境工程学院，成都 611756; 4.安徽工业大学建筑工程学院，马鞍山 243002)

麦秸和畜禽粪便是厌氧发酵产沼气最常用的底物之一，在农村分布式能源体系建设中具有重要的作用[1-2]。分布式新能源系统中，相对于其他形式的新能源(如太阳能、风能等)，沼气生物质能具有易于实现人为控制的独特优势，当其他能源无法满足电力需求时，通过对发酵反应进程控制可以实现需求导向的沼气生产：即在有能源需求时即时定量产沼气，从而实现实际沼气输出曲线与即时的沼气需求曲线尽量贴合[3]。若通过调控秸秆-禽粪协同厌氧发酵体系可以实现按需产气，则可大大提升沼气利用效率，辅助“多能互补型分布式新能源系统”的实施与推广。

Hahn等[3]于2014年提出“需求导向产沼气”技术概念后，中外学者已从多方面开展研究探索厌氧发酵体系实现按需产气的具体途径，主要有：投加易降解的调节型底物、定时定量投料和改变发酵工艺等[4-6]。Mauky等[7]基于底物的降解动力学参数选择调节型基质并验证了该方法实现按需产气的可行性；Ahmed等[8]进一步发现采用甜菜青贮等富含水溶性碳水化合物的底物添加到发酵系统后能够迅速增加沼气产量，原因是其可以被快速分解产生挥发性有机酸(VFA)，最终缩短产甲烷延滞期；毕升阁等[9]研究发现，添加10%木薯酒糟进行黄贮能显著提高玉米秸秆发酵的产气率。但是投加特定调节型基质的控制方法易受基质可得性、成分不稳定性以及成本等方面的制约[10]。近年来，研究广泛关注于通过采用合适的模型控制手段，调配底物投料时间及其质量流量(或体积流量)，以便在沼气需求时段控制沼气产率从而实现按需产气[11-12]。Nghiem等[12]首次采用调控剩余污泥和粗甘油进料的手段实现了按需产气，但其同时指出这类方法成败主要取决于投料底物的产甲烷延滞期；Lafratta等[13]研究了采用湿热水解做预处理后的剩余污泥；张念瑞等[14]研究了餐厨垃圾和剩余污泥协同；Saracevic等[5]采用高脂餐厨垃圾和农业废弃物残渣作共发酵底物。上述研究都证明了采用特定底物改变投料方式可以实现按需产气。对于以作物秸秆和畜禽粪便为典型代表的农业废弃物是否可以通过改变投料方式实现产沼气按需产气，中外尚无研究公开报道。

根据Ahmed等[8]的研究结论，富含水溶性碳水化合物的生物质物料适宜作为实现即时产气的投料底物；而在作物秸秆中，麦秸(包括小麦、大麦和燕麦等)的水溶性碳水化合物相较于其他类型秸秆最高，为24.2%(其次为高粱秸秆，18%)，因而麦秸也具有作为实现按需产气的调节型底物的潜力[8,15]。根据2018年《中国统计年鉴》数据，麦秸在中国主要农作物秸秆中占比15.69%，并且在中国北方地区为数量分布最多的秸秆类别，因而原料具有较高的可获得性[16]。采用畜禽粪便可以平衡麦秸作为发酵底物时的C/N比和营养元素，增强厌氧发酵体系的传质效率和反应活性。因此，通常采用麦秸同畜禽粪便协同的方法进行发酵[17]。为此，开展实验分析麦秸和禽粪协同厌氧发酵体系按需产气的可行性，通过沼气产气对底物脉冲式进料的响应以及发酵体稳定性变化表征协同发酵体系按需产气潜势。考虑到通过进料控制实现按需产沼气成功的关键在于能够准确预测沼气产出随脉冲式投料的响应[18]，采用数据驱动的黑箱模型融入微生物动力学的产气量预测模型建模思路，构建了修正的Gompertz-BP(back propagation)神经网络混合模型，实现脉冲式进料模式下的按需产气参数的模型预测，以期能为生物质能利用效率的提升和农业废弃物资源化的优化管理提供一定的理论依据。

1 材料与方法

1.1 实验材料

所研究的厌氧发酵底物采用畜禽粪便和以麦秸为主的秸秆废弃混合物。其中，麦秸中小麦秸秆占72.7%，大麦秸秆为26.8%，燕麦秸秆为0.24%，其他类别0.48%。收集的麦秸首先在105 ℃下干燥24 h，然后粉碎至10目。经测定，麦秸的总固体含量(TS)为85%，挥发性固体含量(VS)为87%。与麦秸协同发酵的禽粪取自某畜禽粪便集中处理站，取得的物料为猪粪和牛粪的混合浆液，该站接收的猪粪与牛粪质量比约为2∶1，经测定，禽粪混合液的含水率约为98%，TS为1.8%，VS为64%。

1.2 实验装置

采用250 L连续搅拌反应器(continuous stirred-tank reactor, CSTR)进行厌氧发酵实验，在中温 35 ℃ 运行，略微加压至约1 000 Pa。反应器内的液体工作容积约210 L，水力停留时间约21 d。产生的沼气在反应器的顶部被收集，导入气体成分分析仪(Blue Sens Gas Sensor GmbH, Germany)中，测量气体中的甲烷(CH4)和二氧化碳(CO2)含量，每 10 min 记录一次沼气产量数据，其值视为沼气产气速率。

1.3 实验设计

本实验主要目的为禽粪与麦秸协同发酵体系实现按需产气的技术可行性，实验中底物模拟脉冲式进料，进料的控制参数选取每日进料有机负荷(OLRin)、投料的频率和时间间隔。进料后，从沼气产气对投料的响应以及厌氧发酵体系稳定性两个维度出发，进一步定量化分析体系的按需产气可行性。其中，脉冲式进料的OLRin参数设定为1.5、3、6 kgVS/m3/d 三个层级，各OLRin投料组内分别设置每日一次和每日两次的投料频率，每日两次投料情景下再设6 h和10 h两种投料时间间隔，麦秸和禽粪进料量按设计有机负荷进行计算，同时保证进料基质C/N在合理区间(15～30)∶1范围，结果如表1所示。每轮实验的持续时间均为一周，在进入各不同有机负荷实验组实验之前，会设置时长3周(1个水力停留时间21 d)的驯化期，主要目的是为使发酵罐内的微生物适应当前的投料环境。

表1 脉冲式进料模式下发酵体系按需产气实验方案

沼气产气对投料的响应参数主要分析沼气的产量和性质(主要是沼气日容积产气率和甲烷含量)、沼气产气速率峰值出现时间Tpeak、半日产气量Qh和每日50%产气量所用的时间T50。其中，根据 Mauky 等[17]的研究，T50可以表征沼气产生量对于投料的响应速率，是按需产气模式中的主要控制变量和调节型底物的筛选标准之一。而Qh表示投料后12 h内发酵系统的产气量，按需产气模式下采用脉冲式投料就是为了控制厌氧发酵反应以使产气峰值快速向用电需求峰值集中，从而满足用电峰值期沼气需求，因此该参数可以表征底物用于按需产气的潜势[17]。

与此同时，为评估厌氧发酵过程系统的稳定性，选择发酵液pH、挥发性固体与总固体之比(VS/TS)、氨氮以及挥发性脂肪酸(volatile fatty acid, VFA)含量变化作为典型过程参数进行分析。

基于实验结果，采取修正的Gompertz-BP神经网络混合模型预测脉冲式进料模式下的按需产气参数。Gompertz模型已被应用于预测序批式进料模式下的累积沼气产量，但是在按需产气的脉冲式进料过程中，当某次进料的底物未能在下次进料前被完全降解时，其会累积在发酵液中，并在下次进料后仍继续发酵，导致后次进料的沼气产量偏高[18]。为了去除前次进料残余对后批进料的沼气和甲烷产量的影响，从而获得某期进料的实际沼气和甲烷产量，构建经典Gompertz模型的修正模型。首先计算单次投料时该周期内的累积沼气产量，计算公式为

(1)

P0=MVSνbiogas

(2)

式中：P为沼气在t时刻的累积产气量，mL；P0为某阶段的最大产沼气潜能，mL，该值通常根据21 d内的累积沼气产量进行拟合得到，但是本实验中的进料为脉冲式模式，无法对整个周期内数据进行拟合，因此该值通过单位VS的理论产气量进行计算；Rmax为最大产沼气速率，mL/h；t0为产气迟滞期，h；e为自然对数；MVS为进料底物包含的VS量；νbiogas为单位VS的沼气产量。

由于研究关注的脉冲式进料下，厌氧发酵体系是一个多输入、多输出的复杂非线性系统，难以在进料参数发生变化时实现按需产气参数的实时预测。神经网络模型可通过黑箱建模方式实现多变量间的非线性映射，但其属于数据驱动型模型，单独使用的预测准确性不如机理型模型[19]。因此，结合Gompertz产气模型和神经网络模型的优势，以期实现对不同进料控制参数变化情景下沼气产气及重要参数进行准确预测。

所构建的神经网络模型结构如图1所示，假设在某进料周期内，当次投料为第n次进料，进料有机负荷为OLRt，距离首次进料的时间为T0，距离最近的上次进料的时间为T，上期进料负荷为OLRt-1；采用修正Gompertz方程预测的脉冲式进料模式下当次进料的产沼气响应PG。基于此，人工神经网络模型的输入参数依据脉冲式进料的特征设置为OLRt、OLRt-1、T、n和PG。模型的输出参数设置为沼气产量BP、T50、Qh以及沼气中的甲烷组成占比MC，以预测发酵体系按需产气性能参数的动态变化。

图1 人工神经网络模型

1.4 分析方法

pH的测定使用SCHOTT GERATE公司的CG819系列pH计。总固体(TS)和挥发性固体(VS)的测定按照《德国标准化学会生物质总固体计算方法》(DIN EN 15934)和《德国标准化学会固废灼烧减重的计算标准》(DIN 15935)的标准进行。氨氮与挥发性脂肪酸(volatile fatty acid, VFA)的含量分别通过文献[20]的方法与《水和废水监测分析方法》[21]提供的滴定法进行测定。pH、TS和VS各实验期内每日进行测定，氨氮和VFA每实验周期内测定一次。各参数测定过程中，每次同时从发酵液中取3个平行样进行测试以减少可能的测量误差。

修正Gompertz模型的主要参数(Rmax和t0)通过SPSS软件对底物进料周期第一天(可以认为各周期内第一天不存在前期未分解底物产生的沼气产气)的沼气产气曲线进行拟合分析得到。抽取25组实验组作为模型的训练组数据，其余的作为验证组对模型的预测准确性进行验证。设定 BP 人工神经网络训练循环次数参数为 5 000 步，训练误差目标参数为0.000 01，学习率参数为0.1。

2 结果与讨论

2.1 按需产气投料模式下沼气产气响应分析

低进料负荷1.5 kgVS/m3/d情景下沼气的产量与甲烷(CH4)含量如图2所示，在10 h时间间隔下，沼气产气速率快速到达峰值，这表明该情景下进料底物可快速降解，不存在明显的产气延滞期，并且甲烷含量稳定在约50%，产甲烷过程未受到明显抑制。当进料时间间隔减小到6 h后，或改为进料频次改为每日一次后，沼气的变化规律大致同上，但是甲烷含量开始出现一定的波动，但总体维持在约50%，仍适合于后续的发电及利用。

图2 低进料负荷情景下沼气产量和质量变化

相对于低负荷的进料情景，增加进料频率至中负荷(3 kgVS/m3/d)时，10 h投料时间间隔情景下，甲烷含量仍可维持在约50%，但时间间隔降至 6 h 后，甲烷含量开始下降且波动加剧；当进料负荷进一步增大至6 kgVS/m3/d时，10 h时间间隔下沼气的产气延滞期明显延长，甲烷含量降至约40%，并伴随着剧烈的波动，如图3所示。

图3 中等进料负荷减小进料时间间隔时沼气产量和质量变化

在高进料负荷下(图4)，进一步减小进料的时间间隔，可以观察到6 h时间间隔和一次性进料情景下，甲烷含量的波动更为明显且跌破30%，沼气中的主要气体为CO2，发酵体系在进料期主要处于产酸阶段。综上，增大进料负荷对沼气产气延滞期的影响较为明显，体系在进料OLR为低进料负荷(1.5 kgVS/m3/d)以及OLR为3 kgVS/m3/d、10 h进料时间间隔下可实现按需产气，但进一步缩小时间间隔或降低进料频率后，体系的产甲烷过程受到严重的抑制，此时不再适合于按需产气。

图4 中等进料负荷减小进料时间间隔时沼气产量和质量变化

沼气产气对投料的响应参数核算结果如图5所示，分别统计了各投料有机负荷周期内投料后产气的T50和Qh，结果表明在较高的有机负荷 6 kgVS/m3/d 下，T50相对较长，这表明当有机负荷较高时，系统沼气产气响应较为缓慢。高进料OLR情景的Qh值最低，表明相对于其他两组，高进料OLRin下沼气产量会略微向后半程集中，这说明由于投料后会产生一定程度的中间产物抑制，导致前期产甲烷菌活性受阻，待中间产物被逐步消纳之后，产气开始恢复。采用的麦秸和禽粪共发酵时，T50和Qh的结果同Liu等[22]利用剩余污泥和餐厨垃圾作为底物进行对比，其在进料OLR为2.0 kgVS/m3/d时，T50为(504±16)min，Qh为0.63±0.03，与研究所得的T50、Qh计算结果较为接近，这说明禽粪与麦秸作为协同厌氧发酵底物时，与已被验证具有较高按需产气潜势的底物潜力值基本相当。

图5 不同进料OLRs情景下T50和Qh参数的变化

2.2 厌氧发酵反应体系的稳定性分析

厌氧发酵体系稳定性参数的核算结果如图6所示：整个进料期内的pH可稳定在6.5～7.5，表明发酵系统没有出现酸化，运行较为稳定；VS/TS的值随着进料OLR增大呈现逐渐增加的趋势，这表明在高进料OLR下发酵罐内未降解的底物逐渐出现累积，结合沼气产气延滞期和甲烷含量在高OLR情景下的变化趋势可得出AD体系在高进料OLR时会出现一定的“过载”，导致有机酸等中间产物产生累积。

图6 厌氧发酵体系稳定性参数变化分析

进一步对发酵体系中的VFA与氨氮浓度测定，结果如图6所示。高进料OLR情景下VFA的浓度会显著上升，验证了高OLR下体系会出现有机酸的累积，这与Li等[23]的研究结论一致，其采用稻秸和牛粪作为进料底物，当进料有机负荷大于 6 kgVS/m3/d 时系统开始出现丙酸的累积，这是导致沼气产气延滞期延长的主要因素，这是由于丙酸的降解速率显著慢于乙酸，且丙酸的降解反应具有显著的热力学限制[14]。

3H2+2CO2, ΔG0=+76.1 kJ/mol。

氨氮的浓度(图6)随着冲击负荷的增加(主要体现在进料OLR增加、进料频次降低以及进料间隔缩短)呈现降低的趋势。该过程中，虽然VFA浓度增加，但pH可稳定在7.3～7.4，说明除却氨氮之外，发酵系统依然存有一定量的碱度，这可能是由于禽粪作为投料基底具有较强的缓冲性能，可以有效缓解体系中VFA的累积。

氨氮的来源主要是底物中的氨基酸、蛋白质、甲胺和其他含氮有机物的水解释放；研究投料底物中的氮源主要是禽粪，逐步提高OLR的过程中禽粪总投加量不变，而发酵液中氨氮浓度降低，说明该过程中水解反应的效率在逐步降低。实验提高OLR是通过逐步提高麦秸的投加量实现的，该变化也间接证明了麦秸进料增加后，木质纤维素的水解效率下降。VS/TS的测定结果也可证明，随着冲击负荷增大，发酵体系中增加的未降解底物正是木质纤维素。曹杰等[24]的研究可以进一步佐证这一观点，其采用打捆麦秸为固定相、猪场废水为流动相的半连续式发酵，发酵后麦秸干物质损失率、纤维素和半纤维素分解率均与猪场废水容积负荷成反比，红外光谱分析的结果与之一致，这些都证明了纤维素、半纤维素和木质素的水解速率是限制禽粪和麦秸共发酵体系抗冲击性能的主要因素。

2.3 改进的Gompertz动力学模型拟合效果验证

利用改进Gompertz方程对沼气产气曲线的拟合结果如表2所示，各进料控制参数组的模型拟合度R2均大于0.90，证明了改进Gompertz模型对单次投料后的沼气累积产气量具有良好的预测效果。

表2 改进Gompertz模型对沼气产气曲线的参数拟合分析

2.4 秸秆-禽粪共发酵体系按需产气性能的神经网络预测

经过训练后的神经网络模型针对实验中的输入参数，其输出结果与目标值之间的拟合度均大于0.99，表明神经网络模型非常适合于对不同脉冲式进料控制参数下的按需产气性能参数进行拟合。

利用改进Gompertz-神经网络预测模型对测试组样本的预测结果如图7所示。采用可衡量观测值同真值之间偏差程度的相对均方根误差(relative root mean square error, RRMSE)表征模型对按需产气性能参数的预测准确性，见式(3)。

图7 神经网络模型对按需产气性能参数的预测结果

(3)

式(3)中，Nw为数据个数；Mi为实验值；Ci为模型预测值。

当RRMSE=0时，表示模拟值与实测值完全吻合；RRMSE<10% 时，表示模拟值与实测值的一致性很好；10%～20%表示比较好；RRMSE为20%～30%表示模拟效果一般[25]。经计算，输出参数MC、Qh、BP与T50的RRMSE分别为0.058 4、0.145 5、0.039 4和0.262 8。由此可见，改进Gompertz-神经网络模型对甲烷含量MC和沼气产量BP具有很好的预测效果，对半日产气量Qh的预测效果比较好，对达到50%日产气量的时间T50预测效果一般；上述四组输出参数的预测效果均在可接受范围内，因此可认为所构建的改进Gompertz-神经网络预测模型可有效用于按需产气控制过程的发酵体系按需产气性能参数预测分析。

3 讨论

在高冲击负荷情景下，禽粪和麦秸协同发酵体系会出现纤维素、半纤维素和木质素水解效率下降的情况，进而导致后续产沼气延滞期的延长，这主要是由于麦秸和禽粪底物的结构致密且木质素、纤维素和半纤维素含量较高，在厌氧发酵过程中很难被微生物和降解酶发酵利用；此外，水解反应需重新合成必需的酶类、辅酶和中间代谢产物，微生物需要适应新的环境而出现生长延滞期的升高[26-27]。因此，有必要引入辅助手段调控禽粪-麦秸协同厌氧发酵反应，以辅助促进纤维素等底物在高冲击负荷下的降解效率。为此，提出如下方法。

3.1 对底物采取适当的预处理

可采取物理、化学与生物处理法，降低木质纤维素的酶解抗性和纤维素的结晶度，释放更多易被利用的小分子有机物[28]。相较于其他方法，生物预处理(如芽孢杆菌属、木霉属以及白腐真菌等对底物预处理)可以在破坏底物木质纤维素结构屏障的同时，保持反应条件的温和性、环境友好性，且不会产生抑制酶解和发酵的副产物，因此具有实际应用潜力[29]。

3.2 外源添加酶或微量元素

黄婧等[30]的研究表明，向猪粪厌氧发酵体系外源添加纤维素酶和α-淀粉酶能促进纤维素及半纤维素的降解，体系中多糖、总挥发性脂肪酸的浓度峰值、累积沼气产气量和甲烷产率均能显著提升。除外源添加酶以外，添加厌氧反应体系所必需的微量元素亦可有效提升参与反应的酶活，最终促进沼气产率的提升，如Fe和Ni可以显著提高β-葡萄糖苷酶等纤维素酶的活性进而促进纤维素水解[31]；Fe、Ni 参与构成CO脱氢酶，脱氢酶是一类催化物质氧化还原反应的酶，在第二阶段产乙酸过程中起重要作用[32]；其次，Fe与Ni也是产甲烷菌新陈代谢中辅酶因子的基本反应所需的主要元素[33]。

3.3 沼液回流

基于禽粪和麦秸协同发酵体系含固率较高、固体停留时间较短的问题，采取沼液回流方法可以加强底物、微生物与水分间的相互接触和作用，提高系统缓冲能力和产气量，提高传质效率和微生物的繁殖速率、避免酸积累[34]。因此建议可采用新鲜沼液作为“触发剂”，通过高沼气需求时段即时喷淋回流沼液进入发酵体系的方式，实现按需产气。

在高冲击负荷下，禽粪-秸秆协同发酵体系实现按需产气的另一个关键是克服中间产物VFA的累积。从机理上说，VFA的降解是通过种间氢转移方式实现种间电子传递(interspecies hydrogen transfer, IHT)，但是该过程只有在较低的氢分压下才能发生，具有一定的热力学限制[35]。自2010年Summers等[36]发现了种间直接电子传递机制(direct interspecies electron transfer，DIET)以来，研究已证明其能够克服种间氢电子转移的热力学限制，从而提高种间电子传递效率，加速VFA 降解产甲烷的过程。通过外源添加导电物质(如碳材料、铁材料等)，能够促进互营产甲烷过程的 DIET 已被现有研究证实，添加导电材料可替代细胞色素C进行电子传递，促进部分产电细菌(主要是Geobacter、Shewanella和Petrimonas等)和产甲烷古菌(Methanothrix、Methanosarcina)之间建立DIET，形成高效的电子传递通道，增强微生物间的协同代谢，维持厌氧反应器在高OLR下的稳定运行[37]。

厌氧发酵灵活产沼气的关键是能实现反应过程的可控和可预测，但是该过程是一个具有典型非线性、时变、大滞后、有随机干扰的不稳定系统，难以建立完善的机理模型相对精确地描述反应的过程[38]。采用了改进的黑箱数学模型，但是其预测的准确性和精确性依赖于前期运行数据，因此该模型的适用情景和参数敏感性尚存在不确定性。进一步研究可针对发酵体系微生物群落结构及其对冲击负荷的动态响应规律进行分析，从微生物生长代谢机理的角度出发构建一般性的数学模型。