Entwicklung von datengetriebenen Auswerteverfahren zur Analyse und Schätzungder Reaktorleistung von Biogasanlagen

Abstract

The production of biogas is very complex process, which runs in some stages involving different microorganisms. Microbiological diversity of the process depends mainly on the composition of substrate and ambient conditions, such as process temperature. The fact is, the development and composition of the microbiological communities of the process are difficult to predict. Thus, the control and evaluation of such complex biological processes are very time consuming and expensive. In Germany the evaluation of the biogas plants can be performed according to the VDI-Norm 4630, which describes the methods for the evaluation of fermentation of organic materials including characterization of the substrate, sampling, collection of material data and fermentation tests. For that specially equipment and skilled personnel are required. Moreover, the evaluation procedure is very time consuming. That is why a new state-of-the-art alternative for the evaluation purposes is necessary to simplify and to speed up the assessment of the biogas production processes. The aim of this doctoral thesis is the development of a fast and reliable method for the evaluation of the biogas production processes. Therefore the mathematical modelling should identify significant process variables able to evaluate the whole process. For the optimization of mathematical models metaheuristic tools were used. In this doctoral thesis two different data sets were used – experimental data and simulated data. The experimental data were collected in projects “Biogas-Biocoenosis” (FKZ 22010711, Dr. Michael Klocke, Leibnitz-Institute für Agrartechnik und Bioökonomie e.V., Potsdam) and “Biogas-Enzyme” (FKZ 22027707, Dr. Monika Heiermann, Leibnitz-Institute für Agrartechnik und Bioökonomie e.V., Potsdam). The simulated data set was generated using the Anaerobic Digestion Model No.1 (ADM1). The chemical process variables were used as the independent process variable set, while the biogas production output represented the dependent process variable. Prediction of the biogas production was done using linear and nonlinear mathematic models. Here, Partial-Least-Square-Regression (PLSR), Locally-Weighted-Regression (LWR) and Artificial Neural Networks (ANN) were implemented. In order to identify the most significant undependable process variables optimization algorithms were used, Ant Colony Optimization (ACO) and Genetic Algorithm (GA). Prediction capacity was evaluated using two model evaluation variables, Root Mean Square Error (RMSE) and Coefficient of Determination (R2). Figure 1 in Supplementary represents the flow chart of the developed methodology applied for ADM1 generated data set. In Figure 2 (Supplementary) there is a flow chart of the developed methodology applied for the experimentally collected data. The developed approaches could be successfully used for the prediction of the desired process variable, biogas production rate. The variable selection done with the help of metaheuristic optimization algorithms improved the prediction results and reduced number of the independent process variables. Hydraulic retention time, dry matter, neutral detergent fibre, acid detergent fibre and n-butyric acid were identified as the most significant ones. The best prediction was obtained using ANN models. Here, the error of prediction was low and the coefficient of determination high. The successful implementation of the developed methodology proved mathematical models to be an effective alternative method capable to evaluate and to optimize complicated biological processes. Furthermore, it would be mandatory further experimental evaluation of the developed strategy, using the model-based process information.

Die Biogasherstellung ist ein sehr komplexer Prozess, der durch das Zusammenspiel unterschiedlicher Mikroorganismen und einem mehrstufigen Prozessablauf gekennzeichnet ist. Variationen in der Mikroflora können durch das verwendete Substrat, die Beschickung sowie die Temperatur gegeben sein, wobei ein Großteil der beteiligten Mikroorganismen sogar unbekannt sein kann. Die Überwachung und Analyse solcher Prozesse sind zumeist sehr zeit- und kostenintensiv. Die VDI-Richtlinie 4630 beschreibt analytische Methoden zur Untersuchung der Vergärung organischer Stoffe, Substratcharak¬terisierung, Probenahme, Stoffdatenerhebung und Gärversuche, die zur Optimierung von Biogasanalgen dienen. Die in der Richtlinie beschriebenen Methoden erfordern jedoch eine entsprechende Laborausstattung, dafür ausgebildetes Personal und sind sehr aufwändig. Deshalb ist eine moderne Alternative zur Prozessanalyse und -optimierung dringend erforderlich, um gezielt wesentliche Prozessgrößen schnell, effizient und kostengünstig zu identifizieren. Das Ziel der vorliegenden Dissertation ist es eine Methode zu entwickeln, welche eine schnelle und effiziente Analyse der Biogasproduktionsprozesse ermöglicht. In dieser Arbeit soll mithilfe von computerbasierten Verfahren untersucht werden, ob wesentliche Prozessgrößen identifiziert werden können, deren Messung für die Führung der Biogasanlagen ausschlaggebende Informationen zur Verfügung stellt. Neben mathematischen Modellen werden auch Optimierungsalgorithmen für die Identifikation der wesentlichen Einflussgrößen verwendet. Die für die Modellierung verwendeten Datensätze wurden experimentell im Rahmen des Projektes ‚,Biogas Biocoenosis‘‘ (FNR 22010711, Dr. Michael Klocke, Leibniz-Institut für Agrartechnik und Bioökonomie e. V., Potsdam) und „Biogas-Enzyme“ (FKZ 22027707, Dr. Monika Heiermann, Leibniz-Institut für Agrartechnik und Bioökonomie e. V., Potsdam) erhoben. Zusätzlich wurden Prozessdaten mithilfe des Anaerobic Digestion Modell No.1(ADM1) simuliert. Die chemischen Prozessgrößen stellen die unabhängigen Prozessvariablen dar. Die Biogasausbeute wird als die abhängige Zielprozessgröße verwendet. Die Vorhersage der Biogasausbeute wird mithilfe linearer und nicht linearer mathematischer Modelle durchgeführt. Dafür werden die Partial-Least-Squares-Regression (PLSR), die Locally-Weighted-Regression (LWR) und künstliche neuronale Netzte (ANN, Artificial Neural Networks) implementiert. Um die wesentlichen unabhängigen Prozessvariablen zu identifizieren, werden folgende Optimierungsalgorithmen verwendet: ein Ameisen-Kolonie-Optimierungsalgorithmus (ACO) und der genetische Algorithmus (GA). Die Qualität der Vorhersage wird anhand des Vorhersagefehlers (Root Mean Square Error, RMSE) und des Bestimmtheitsmaßes (R2) bewertet. Anhand der entwickelten Methode konnte die gewünschte Zielgröße, Biogasausbeute, vorhergesagt werden. Die durchgeführte Variablenselektion mittels metaheuristischer Optimierungsverfahren verbesserte die Vorhersagekraft der Modelle und reduzierte gleichzeitig die Anzahl der unabhängigen Prozessvariablen. Als wesentliche Prozessvariablen wurden folgende identifiziert: hydraulische Verweilzeit, Trockensubstanz, Gehalt an Neutral-Detergentien-Faser, Säure-Detergentien-Lignin-Gehalt und n-Buttersäure. Die besten Vorhersageergebnisse wurden mit Hilfe der künstlichen neuronalen Netze erzielt. Die Modelle hatten den kleinsten Fehler der Vorhersage und das höchste Bestimmtheitsmaß. Die erfolgreiche Umsetzung der mathematischen Verfahren zeigt, dass moderne mathematische Methoden eine gute Alternative für die Analyse und Optimierung komplexer biologischer Prozesse darstellen. Für eine abschließende Bewertung sind jedoch auch weitere experimentelle Untersuchungen notwendig, in denen die Prozessführung basierend auf den identifizierten Prozessvariablen durchgeführt wird.