生物質熱解產物綜合利用方案及經濟可行性

張欣馳，董善美，王 粵，吳石亮，肖 睿

(東南大學 能源與環境學院，江蘇 南京 211189)

中國具有豐富的農林廢棄物資源，據統計，農作物秸稈的資源量已經達到了9億噸/年[1]。目前，農林廢棄物的利用方式仍處于探索階段，而農林廢棄物資源的循環和分級利用是農林廢棄物資源化利用的趨勢，該方法的實現有利于增加農產品附加值、促進綠色農業發展[2]。當今階段農業園區必須對園區內每年產生的大量秸稈類農林廢棄物進行收集和處理，較為常用的辦法有秸稈粉碎還田、堆漚制備有機肥等[2]。但是秸稈粉碎還田會降低稻麥等農作物的出芽率，堆漚制備的有機肥料肥效低，處理不當還會造成環境污染等問題[3]。生物質熱解技術可以通過較低的成本連續高效地將低能量密度的生物質轉化成高能量密度的氣、液、固產物[4]。其中熱解氣燃燒能夠提供熱解反應器所需的能量；經焙燒活化后的生物炭由于具有豐富的孔隙結構以及巨大的比表面積使得其具有作為肥料載體的巨大潛力，可作為肥料緩釋材料應用于大規模農作物水稻、小麥等的種植，能有效克服目前市場上簡單混合生物炭與肥料得到的緩釋肥緩釋能力非常有限的問題；生物油具有天然的聚合成膜特性，其富含多羥基化合物，與異氰酸根化合物反應后可以生成新型的生物基聚氨酯樹脂，改性后可作為包膜控釋肥的包膜膜材，應用于高價值作物花卉、蔬果[5-6]的種植，相較于傳統人工聚合包膜材料更節能環保，經濟實惠,由此可以解決農業園區肥料需求量大的問題。目前支持向量機(SVM)算法較好地應用在生物質熱化學轉化過程中，相比其他機器學習算法，該算法在解決小樣本、非線性及高維模式識別中表現突出[7]。本研究通過收集相關文獻數據，利用SVM算法建立秸稈類生物質熱解產物模型，提出了一個基于農業園區的產物綜合利用一體化方案，并利用該模型進行后續優化，以期進一步提升農林廢棄物資源開發利用綜合效益。

1 建模及分析方法

1.1 生物質分級利用的SVM建模

1.1.1機器學習算法SVM的原理 支持向量機(SVM)算法的基本思想是將二維空間里難以分類的數據映射到高維的特征空間中，在特征空間里利用算法求出一個超平面實現數據的分類。將思想運用到回歸問題，就是支持向量回歸(SVR)，即找到這樣的超平面，讓所有數據點到這個平面的方差最小，這個超平面的函數就是數據內在關聯的最優解。超平面的分類函數表達式為：

f(x)=ωTx+b

(1)

其中，式(1)中ωTx表示向量ω與向量x的內積，b為偏差項。令f(x)=0時定義數據點落在超平面上，對于回歸類問題，目標函數可修正為：

(2)

式(2)中‖ω‖表示向量ω的范數，，c為懲罰參數，約束條件為：

yi[(w·xi)+b]≥1-εi,i=1,2,…,N

(3)

式(3)中εi(i≥0)為表征誤差大小的松弛變量，通過特定的核函數，就能夠計算出低維空間向量經過映射后在高維空間的向量內積值，核函數定義式為：

K(xi,xj)=φ(xi)T·φ(xj)

(4)

1.1.2SVM建模的方法及步驟

1.1.2.1數據集的建立 SVM算法建模是借用數據挖掘的思想，利用已有的數據劃分出一個“訓練數據集”，使用算法來解析訓練集中的數據，提取輸入數據與輸出數據之間的關系，構建關聯模型，進一步利用該關聯模型去預測新的數據集的對應輸出數據。本研究通過收集相關文獻中的生物質熱解數據，建立生物質熱解產物數據庫，為模型建模提供數據基礎。利用SVM算法構建生物質熱解產物的預測模型，通過分析預測性能來進行模型評估，利用模型的預測數據為農業園區廢棄生物質利用方案的優化提供模型基礎。選取的所有熱解數據均取自流化床反應器熱解實驗，所有的實驗全部是在純氮氣氣氛下進行反應。數據庫中輸入數據包括部分秸稈類生物質的工業化學分析、粉碎粒徑和熱解溫度；工業化學分析包括水分、灰分、碳、氫、氧、氮的含量；輸出數據包括生物炭、生物油以及熱解氣產率。共選取12種農業園區種常見的秸稈類生物質原料，具體見表1。

表1 生物質數據集Table 1 Biomass data sets

如表1所示，生物質數據庫共包含108組數據，數據分成訓練集和預測集用于構建模型，將108組數據分為84組訓練集數據和24組預測集數據。

1.1.2.2模型核函數和參數的選擇 由于生物質熱解過程的非線性化程度較高，核函數采用徑向基核函數(RBF)，公式為：

(5)

式(4)中σ2為核函數的寬度。模型所用SVR方法決策函數基于超平面函數模型提出，決策函數如下：

(6)

經多次對秸稈類生物質熱解模型進行試驗，對于氣產率模型，設定懲罰系數c為55，對于油產率模型，設定懲罰系數c為100，對于炭產率模型，設定懲罰系數c為95。

1.1.2.3模型的評價 通過引入3種評價指標來衡量預測結果誤差大小，分別為：平均絕對誤差(MAE)，均方根誤差(RMSE)和皮爾遜相關系數(R)。

(7)

(8)

(9)

1.2 農業園區生物質分級利用方案

1.2.1生產流程 基于當前農業園區具體現實以及生物質基緩控釋材料制備技術，構建農業園區生物質分級利用方案，如圖1所示。

1.傳送裝置conveyer;2.攪拌器blender;3.焙燒床roasting bed;4.烘干機dryer;5.粉磨機pulverizer;6.燃燒床combustion bed;7.熱解床pyrolysis bed;8.生物油儲存罐bio-oil storage tank;9.一次冷凝器primary condenser;10.二次冷凝器after-condenser;11.反應床reaction bed;12.包衣機coating machine;13.大棚greenhouses;14.預混裝置premixed device;15.農田cropland圖1 農業園區生物質分級利用方案專用設備流程圖Fig.1 Flow chart of special equipment for biomass grading utilization scheme in agricultural park

農業園區生產過程中產生的秸稈類廢棄物經過烘干、碾磨、篩分等預處理后，進行熱解；得到的熱解氣預混合后通入燃燒床為熱解反應提供能量。生物炭經過焙燒活化處理后，與肥料攪拌混合，得到生物炭基緩釋肥料，用于園區內大規模農作物的增產。生物油與異氰酸根化合物反應，經過有機硅改性處理后轉換成控釋膜材，經由包衣機噴涂包覆在肥料顆粒表面，得到生物包膜控釋肥料，用于園區內高價值農作物的培育。

1.2.2經濟可行性分析 在建立的生物質熱解產物產率模型的基礎上，討論生物質熱解產物分級利用方案的經濟可行性。由于實際的經濟效益受當地政策和經濟條件的影響，本研究對農業園區生物質分級利用方案的經濟性分析將基于中國的背景條件展開，采用成本-效益分析的方法，通過對投資成本、運行成本和經營利益進行計算分析，來論證方案的經濟可行性。

2 結果與分析

2.1 熱解產物綜合利用方案評估

2.1.1模型預測結果 圖2顯示了生物炭、生物油、熱解氣3者的預測模型在訓練集和預測集上的輸出結果比較。數據點在圖形對角線上方表示模型計算值大于實驗值，在下方則表示計算值小于實驗值，與對角線的距離大小表明了預測的精確程度。可以發現，SVM模型在訓練集上表現出了較高的精度，輸出數據與實際的實驗結果十分接近，但在預測集上表現效果相對較差。

a.氣產率gas yield；b.炭產率 char yield；c.油產率 oil yield圖2 基于熱解數據庫的熱解產物分布預測模型Fig.2 Prediction model of pyrolysis product distribution based on pyrolysis database

2.1.2模型精度評價 SVM模型對于各產物產率的性能預測如表2所示。

表2 熱解產物產率SVM模型預測性能評價指標1)Table 2 SVM model prediction performance evaluation index for pyrolysis product yield

從表2中可以看出，SVM算法的預測性能均在訓練集上表現出較預測集更高的精度，同時三者的訓練集表現結果相差不大。炭產率的預測集結果較氣產率和油產率擁有更好的表現。

Kim[21]通過收集文獻數據，基于多元非線性回歸方法建立了生物質熱解產物預測模型，其模型R約為0.78。本研究數據在訓練集上的R均大于0.994 0，而在預測集上的R分別為0.941 3、0.932 0和0.888 2，已超過前人模型精度。

圖3顯示了生物炭、生物油、熱解氣三者的預測模型在訓練集和預測集上絕對誤差的表現。陳星[22]通過使用ANN神經網絡算法和SVM算法對比對生物質熱解過程進行對比分析，其計算數據在訓練集上的絕對誤差在0.5～1.2之間浮動，在預測集上的絕對誤差在1.7～2.5之間浮動。本研究數據在訓練集上絕大部分計算值的絕對誤差在0.4以內，相對誤差小于0.5%；在預測集上，大部分計算值的絕對誤差在1.0～3.0間浮動，所有計算值相對誤差均小于12%，與文獻[22]分析結果精度相當。

a.氣產率gas yield；b.炭產率char yield；c.油產率oil yield圖3 熱解產物分布預測模型Fig.3 Prediction model of pyrolysis product distribution

2.2 項目運行效益分析

2.2.1項目經濟性分析 項目所需的設備總費用為69.75萬元，包含熱解、預處理、冷凝、加工、輔助等系統設備。考慮組裝費25萬元、主體設備69.75萬元、營運資本15.3萬元和不可預見費14.45萬元[23]等等，初投資共計102萬元[23]。

以系統處理量400 kg/h、系統年運行時長3 000 h為標準，根據項目運行過程中的耗能、耗材、人力等計算得到項目運行成本和利潤估算結果如表3所示。表中材料費用及生物炭、生物油產品的價值由采購網統計得到，水電費以江蘇省農業生產水電費用為標準計算，人力費用以南京市近年月平均工資為標準近似取5 000元/(人·月)，其中維護[26]、財務[23]及材料費用統一計入其他項。

表3 單位處理成本及經濟效益Table 3 Unit treatment cost and economic benefit

由表3可知，年處理量1 200 t時，每處理1 t生物質，項目的運行費用約為3 090.67 元，產品總凈利潤約42 039.33元，因此該方案切實可行。在補貼項目本身運行成本的同時，理想條件下還能為園區創收，具備持續運行的能力。

2.2.2個性化優化方案的效益對比 基于生物質熱解產物關聯模型，可根據園區作物種類、秸稈產量、肥料需求量等園區特性，合理選擇熱解條件，達到經濟、環境效益最大化。例如針對一個種植面積共1 467 400 m2的綜合性農業園區，包含水稻66 700 m2、小麥66 700 m2、玫瑰266 800 m2、康乃馨266 800 m2、黃瓜400 200 m2、草莓400 200 m2。

該園區年產水稻秸稈60 t，小麥秸稈40 t，次年需要炭基緩釋復合肥料7 t、包膜控釋復合肥料130 t。根據水稻秸稈及小麥秸稈的熱解模型，設計優化方案，記為方案一(選取小麥秸稈約25.2 t，碾磨成粒徑0.6～0.8 mm的顆粒，在500 ℃下熱解，剩余約85.2 t秸稈進行機械處理)。同時設計兩個對比方案，記為方案二(選取水稻秸稈約49 t，碾磨成粒徑0.6～0.8 mm的顆粒，在400 ℃下熱解，剩余約51 t秸稈進行機械處理)和方案三(原始的秸稈還田[27]方案，共需處理秸稈100 t)。3種方案的經濟效益對比結果如表4所示。

表4 經濟效益對比分析Table 4 Comparative analysis of economic benefits ×104元yuan

由表4可知，在此案例中，通過本項目的實施，園區在秸稈處理及肥料進購方面的開銷可直接減少108.76萬元，采取基于熱解數據庫和關聯模型設計的優化方案可比普通方案進一步減少開銷約8.67萬元，即使用本項目后，在秸稈處理和肥料采買項目上，園區可節省相關支出近30%，采取優化方案可在此基礎上再減少支出近4%。因此整體方案切實可行，優化方案的優化效果比較明顯。

3 結 論

3.1對于生物質熱解預測模型，SVM算法在訓練集上的表現較為良好，但在預測集上還有進步空間，相較前人方法已經有了較大的改善。SVM算法通過引入松弛變量和懲罰系數，在小樣本、非線性化嚴重的情況下表現良好，預測精度較高，通過該算法構建的模型具有一定的可信度,實現了對熱解產物與生物質原料特性、熱解條件的深層關聯的探究。

3.2與傳統秸稈還田方案相比，改良方案能夠處理掉25%～50%的還田秸稈，同時在園區秸稈處理和肥料采買項目上可節省支出近30%，通過SVM算法建立生物質熱解產物模型，在方案基礎上進一步優化方案，優化后方案在基礎上再減少相關支出近4%。