CN111044416A - 一种基于分形维数评价秸秆预处理效果的方法 - Google Patents
一种基于分形维数评价秸秆预处理效果的方法 Download PDFInfo
- Publication number
- CN111044416A CN111044416A CN201911228358.9A CN201911228358A CN111044416A CN 111044416 A CN111044416 A CN 111044416A CN 201911228358 A CN201911228358 A CN 201911228358A CN 111044416 A CN111044416 A CN 111044416A
- Authority
- CN
- China
- Prior art keywords
- straw
- fractal dimension
- sample
- evaluating
- pretreatment effect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000010902 straw Substances 0.000 title claims abstract description 96
- 230000000694 effects Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 39
- 238000004090 dissolution Methods 0.000 claims abstract description 33
- 230000004913 activation Effects 0.000 claims abstract description 20
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 18
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 239000007787 solid Substances 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000001035 drying Methods 0.000 claims abstract description 7
- 239000005446 dissolved organic matter Substances 0.000 claims abstract description 3
- 238000005259 measurement Methods 0.000 claims description 16
- 239000005416 organic matter Substances 0.000 claims description 16
- 238000003756 stirring Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 239000002270 dispersing agent Substances 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000010790 dilution Methods 0.000 claims description 4
- 239000012895 dilution Substances 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- CPBQJMYROZQQJC-UHFFFAOYSA-N helium neon Chemical compound [He].[Ne] CPBQJMYROZQQJC-UHFFFAOYSA-N 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract 1
- 241000209094 Oryza Species 0.000 description 8
- 235000007164 Oryza sativa Nutrition 0.000 description 8
- 235000009566 rice Nutrition 0.000 description 8
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 239000002994 raw material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- GEHJYWRUCIMESM-UHFFFAOYSA-L sodium sulfite Chemical compound [Na+].[Na+].[O-]S([O-])=O GEHJYWRUCIMESM-UHFFFAOYSA-L 0.000 description 4
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 3
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 3
- 230000036983 biotransformation Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- WYURNTSHIVDZCO-UHFFFAOYSA-N Tetrahydrofuran Chemical compound C1CCOC1 WYURNTSHIVDZCO-UHFFFAOYSA-N 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007865 diluting Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000855 fermentation Methods 0.000 description 2
- 230000004151 fermentation Effects 0.000 description 2
- 238000001027 hydrothermal synthesis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000010265 sodium sulphite Nutrition 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 229920002488 Hemicellulose Polymers 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 239000002551 biofuel Substances 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- -1 feed Substances 0.000 description 1
- 229960002089 ferrous chloride Drugs 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- NMCUIPGRVMDVDB-UHFFFAOYSA-L iron dichloride Chemical compound Cl[Fe]Cl NMCUIPGRVMDVDB-UHFFFAOYSA-L 0.000 description 1
- 229920005610 lignin Polymers 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 239000001814 pectin Substances 0.000 description 1
- 229920001277 pectin Polymers 0.000 description 1
- 235000010987 pectin Nutrition 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- YLQBMQCUIZJEEH-UHFFFAOYSA-N tetrahydrofuran Natural products C=1C=COC=1 YLQBMQCUIZJEEH-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0211—Investigating a scatter or diffraction pattern
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N7/00—Analysing materials by measuring the pressure or volume of a gas or vapour
Landscapes
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Processing Of Solid Wastes (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于分形维数评价秸秆预处理效果的方法,属于秸秆厌氧生物转化领域,该方法具体包括:秸秆破碎,充分干燥;使用激光粒度分析仪对秸秆固体进行分析测试,测得波矢Q与散射光强I;采用数据处理软件分析波矢Q及散射光强I,基于分形理论获得秸秆二维分形维数Df;通过历史实验数据计算分析,由分形维数的大小可预测出其总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE,从而评估此种秸秆预处理效果;该方法通过分形维数与TOCmax与AAE的关系分析,实现以量化指标指示秸秆复杂赋存形态经不同预处理方式后处理效果,代替繁琐实验,为评价秸秆预处理效果和节时降耗提供了一种量化管理办法。
Description
技术领域
本发明涉及秸秆厌氧生物转化领域,特别是涉及一种基于分形维数评价秸秆预处理效果的方法。
背景技术
当前我国农作物秸秆产量巨大,每年约10亿吨。肥料、饲料、基料、燃料、原料等“五料化”利用是秸秆综合利用的主要途径。从成分上,秸秆属于来源丰富的含碳有机大分子功能体,可作为生物质开发绿色可循环的生物燃料等功能化产品。从结构上,秸秆中半纤维素、木质素以及果胶等物质将纤维素组分紧紧包裹,形成致密多孔结构。由于其所形成的天然抗降解屏障以及木质纤维素固体基质物性引起的吸附解吸、水束缚、底物抑制等固体基质颗粒效应,往往导致秸秆转化利用过程的技术经济性差、高值化利用途径少,造成大量秸秆就地还田、无序焚烧,引发病虫害、空气污染等环境问题。另一方面,我国石油、天然气供给紧张,以秸秆为原料制备油类及生物燃气等清洁能源,可以减少油气资源的进口压力。
秸秆厌氧制备生物燃气利用混合微生物发酵手段回收生物质能,副产品沼液沼渣可以回田利用,是一种绿色循环的秸秆处理处置方式。生物燃气产业得到国际广泛重视,例如,仅德国就建设有万余座秸秆沼气工程。我国通过引进吸收先进技术在规模化沼气工程技术方面取得了长足进步,但是由于我国秸秆原料的时空分布广和秸秆种类多具有自身特点,国外技术无法切实解决制约我国秸秆沼气工程发展的所有瓶颈问题。另一方面,天然抗降解屏障以及木质纤维素固体基质物性导致秸秆作为生物沼气原料产气效率低、发酵周期长,通过一定的预处理技术高效破稳,提升秸秆生物可及性,是秸秆高效沼气化利用的重要方式。
针对这些现象,目前对秸秆不同预处理方式效果缺乏准确的评价标准,基本上是凭借经验,按照秸秆颜色变化、预处理时间和环境条件进行简单的判断,或是实验室内借助专业仪器历时30-60天进行厌氧生物转化潜势实验,时间成本巨大,均难以满足秸秆大规模能源化利用原料效果评价要求。因此,制定快速且科学对不同秸秆预处理效果的评价方法迫在眉睫。
发明内容
本发明的目的是提供一种基于分形维数评价秸秆预处理效果的方法,以解决上述现有技术存在的问题,在秸秆预处理后通过一个指标同时完成对总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE的预测评价。
为实现上述目的,本发明提供了如下方案:
本发明提供一种基于分形维数评价秸秆预处理效果的方法,包括下述步骤:
1)取待测秸秆为样品,充分干燥且破碎;
2)将步骤1)中干燥秸秆样品与水混合,持续均匀搅动;
3)使用激光粒度分析仪对步骤2)中混合液体进行分析测试,测得波矢Q与散射光强I数据;
5)根据文献历史数据或大量实验积累,采用线性回归方法构建分形维数Df与总有机碳最大溶出浓度TOCmax(Total Organic Carbon)与有机质溶出表观活化能AAE(ApparentActivated Energy)的计算模型;
6)将秸秆分形维数Df代入到步骤5)的模型中,模型输出此秸秆样品的总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE,得到此种秸秆样品的预处理效果预测。
进一步地,所述步骤1)中,秸秆样品为经预处理破稳后的样品。
进一步地,所述步骤1)中,所述秸秆样品为不同微化程度预处理的样品,或经不同预处理方式处理后样品。
进一步地,所述秸秆样品破碎至0.01-3500微米。
进一步地,所述步骤2)中,用纯水对干燥秸秆样品进行稀释,含固率<5%,用外置磁力搅拌器进行搅拌,稀释容器与磁力搅拌子使用前应清洗干净并烘干,搅拌保证样品充分混匀。
进一步地,所述步骤3)中激光粒度分析仪光源为波长633nm高稳定氦-氖激光器,分散剂折射率为1.330,颗粒吸收率为0.100,密度大于1,分散剂选择水,背景测量时间设置为10s,样品测量时间设置为10-12s,对于分散很不均匀的样品时间设置为10-20s,测量次数选择3次,测量时对于粒径为几十微米的大颗粒,遮光度范围为10-20%,粒径几个微米的小颗粒为6-10%,粒径几百纳米的颗粒为4-6%,很不均匀的样品为10-20%,搅拌转速设置为2000-3000转/min,每个样品测量结束运行清洁***后再继续测试。
进一步地,所述步骤4)即k为斜率常数,等式两边同时取自然对数化简后得ln I=-Df ln Q+ln k,以步骤3)得到I与Q取自然对数后lnI与lnQ分别作为因变量与自变量,输入数据处理软件利用随机梯度下降法确定参数,可得到此秸秆样品分形维数Df。
进一步地,所述步骤5)中,
分形维数Df与秸秆样品的总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE计算模型如下:
Y=A-BX;
式中,X为分形维数Df,Y为秸秆样品的总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE,A和B为对应TOCmax和AAE的模型系数。
进一步地,所述步骤6)中,总有机碳最大溶出浓度TOCmax为秸秆样品在水相中总有机碳最大溶出值。
本发明公开了以下技术效果:
(1)成本低,操作简单
由于操作步骤少而简单,使用数据处理软件和激光粒度仪就可以得到检测值,对于管理方来说节省了大量的能源和时间。
(2)迅速高效,弥补了现行厌氧生物转化潜势检测的复杂性
本发明所运用的参数并非挥发性有机酸累积或产甲烷潜势这种结果性指标,而是关注生物转化源头物料性质。秸秆自身的状态是影响厌氧生物转化过程的关键。本发明运用分形维数评价秸秆预处理效果具有良好的指示意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为不同程度微化预处理水稻秸秆分形维数与其预处理效果线性模拟图;
图2为不同处理方式下水稻秸秆分形维数与其预处理效果模拟图。
具体实施方式
现详细说明本发明的多种示例性实施方式,该详细说明不应认为是对本发明的限制,而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
应理解本发明中所述的术语仅仅是为描述特别的实施方式,并非用于限制本发明。另外,对于本发明中的数值范围,应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
除非另有说明,否则本文使用的所有技术和科学术语具有本发明所述领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料,但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入,用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时,以本说明书的内容为准。
在不背离本发明的范围或精神的情况下,可对本发明说明书的具体实施方式做多种改进和变化,这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。
实施例1
一种基于分形维数评价秸秆预处理效果的方法,包括下述步骤:
1)取待测秸秆为样品,充分干燥且破碎至0.05mm-3mm;
2)将步骤1)中干燥水稻秸秆样品与纯水混合稀释,含固率<5%,用外置磁力搅拌器进行搅拌,稀释容器与磁力搅拌子使用前应清洗干净并烘干,搅拌保证样品充分混匀;
3)使用光源为波长633nm高稳定氦-氖激光器的激光粒度分析仪,对步骤2)中混合液体进行分析测试,分散剂折射率为1.330,颗粒吸收率为0.100,密度大于1,分散剂选择水,背景测量时间设置为10s,样品测量时间设置为10-12s,对于分散很不均匀的样品时间设置为10-20s,测量次数选择3次,测量时对于粒径为几十微米的大颗粒,遮光度范围为10-20%,粒径几个微米的小颗粒为6-10%,粒径几百纳米的颗粒为4-6%,很不均匀的样品为10-20%,搅拌转速设置为2000-3000转/min,每个样品测量结束运行清洁***后再继续测试,测得波矢Q与散射光强I数据;
4)基于分形理论,采用数据处理软件分析步骤3)获得的波矢Q及散射光强I,由公式,)即为k为斜率常数,等式两边同时取自然对数化简后得ln I=-Df ln Q+ln k,以步骤3)得到I与Q取自然对数后lnI与lnQ分别作为因变量与自变量,输入数据处理软件利用随机梯度下降法确定参数,获得此秸秆样品二维分形维数Df;
5)根据文献历史数据或多次试验测试积累,获取不同种条件处理后的秸秆分形维数Df及与之对应的总有机碳最大溶出浓度TOCmax(Total Organic Carbon)与有机质溶出表观活化能AAE(Apparent Activated Energy),将这些数据输入数据处理软件进行一次线性拟合,并计算出模型系数A、B,模型如下:
Y=A-BX;
式中,X为分形维数Df,Y为秸秆样品的总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE,A和B为对应TOCmax和AAE的模型系数;
6)将秸秆分形维数Df代入到步骤5)的模型中,模型输出此秸秆样品的总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE。
式中,k溶出为有机质溶出速率常数,min-1;A0为指前因子;R为摩尔气体常数,J/mol·K;T为热力学温度,K;AAE为有机质溶出表观活化能,kJ/mol。
实施例1中水稻秸秆破碎粒径如表1所示,对其分别进行预测,其对应的分形维数Df、TOCmax、AAE如表1所示。
表1
图1为不同程度微化预处理水稻秸秆分形维数与其预处理效果线性模拟图。
实施例2
一种基于分形维数评价秸秆预处理效果的方法,包括下述步骤:
1)取待测秸秆为样品,充分干燥且破碎至2.8mm,进行预处理;
2)将步骤1)中干燥水稻秸秆样品与纯水混合稀释,含固率<5%,用外置磁力搅拌器进行搅拌,稀释容器与磁力搅拌子使用前应清洗干净并烘干,搅拌保证样品充分混匀;
3)使用光源为波长633nm高稳定氦-氖激光器的激光粒度分析仪对步骤2)中混合液体进行分析测试,分散剂折射率为1.330,颗粒吸收率为0.100,密度大于1,分散剂选择水,背景测量时间设置为10s,样品测量时间设置为10-12s,对于分散很不均匀的样品时间设置为10-20s,测量次数选择3次,测量时对于粒径为几十微米的大颗粒,遮光度范围为10-20%,粒径几个微米的小颗粒为6-10%,粒径几百纳米的颗粒为4-6%,很不均匀的样品为10-20%,搅拌转速设置为2000-3000转/min,每个样品测量结束运行清洁***后再继续测试,测得波矢Q与散射光强I数据;
4)基于分形理论,采用数据处理软件分析步骤3)获得的波矢Q及散射光强I,由公式,)即为k为斜率常数,等式两边同时取自然对数化简后得ln I=-Df ln Q+ln k,以步骤3)得到I与Q取自然对数后lnI与lnQ分别作为因变量与自变量,输入数据处理软件利用随机梯度下降法确定参数,获得此秸秆样品二维分形维数Df;
5)根据文献历史数据或多次试验测试积累,获取不同种条件处理后的秸秆分形维数Df及与之对应的总有机碳最大溶出浓度TOCmax(Total Organic Carbon)与有机质溶出表观活化能AAE(Apparent Activated Energy),将这些数据输入数据处理软件进行一次线性拟合,并计算出模型系数A、B,模型如下:
Y=A-BX;
式中,X为分形维数Df,Y为秸秆样品的总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE,A和B为对应TOCmax和AAE的模型系数;
6)将秸秆分形维数Df代入到步骤5)的模型中,模型输出此秸秆样品的总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE。
式中,k溶出为有机质溶出速率常数,min-1;A0为指前因子;R为摩尔气体常数,J/mol·K;T为热力学温度,K;AAE为有机质溶出表观活化能,kJ/mol。
实施例2中预处理方式如表2所示,对其分别进行预测,其对应的分形维数Df、TOCmax、AAE如表2所示。
表2
名称 | 分形维数D<sub>f</sub> | TOC<sub>max</sub>预测 | AAE预测 |
原始样品 | 1.9375 | 299.3063 | 31.5557 |
水热预处理 | 1.8908 | 392.6362 | 30.55968 |
水热+氢氧化钾 | 1.8016 | 570.9024 | 28.65722 |
水热+氢氧化钾+亚硫酸钠 | 1.7406 | 692.8109 | 27.35622 |
水热+亚硫酸钠 | 1.8065 | 561.1098 | 28.76173 |
水热+乙酸 | 1.8253 | 523.538 | 29.1627 |
水热+甲醛 | 1.8194 | 535.3291 | 29.03686 |
水热+盐酸 | 1.7488 | 676.4232 | 27.53111 |
水热+氯化亚铁 | 1.7831 | 607.8747 | 28.26266 |
水热+四氢呋喃 | 1.7839 | 606.2759 | 28.27972 |
图2为不同处理方式下水稻秸秆分形维数与其预处理效果模拟图。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种基于分形维数评价秸秆预处理效果的方法,其特征在于,包括下述步骤:
1)取待测秸秆为样品,充分干燥且破碎;
2)将步骤1)中干燥秸秆样品与水混合,持续均匀搅动;
3)使用激光粒度分析仪对步骤2)中混合液体进行分析测试,测得波矢Q与散射光强I数据;
4)基于分形理论,采用数据处理软件分析步骤3)获得的波矢Q及散射光强I,由I∝Q-Df公式,获得此秸秆样品二维分形维数Df;
5)根据文献历史数据或大量实验积累,采用线性回归方法构建分形维数Df与总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE的计算模型;
6)将秸秆分形维数Df代入到步骤5)的模型中,模型输出此秸秆样品的总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE,得到此种秸秆样品的预处理效果预测数据。
2.根据权利要求1所述的一种基于分形维数评价秸秆预处理效果的方法,其特征在于,所述步骤1)中,秸秆样品为经预处理破稳后的样品。
3.根据权利要求2所述的一种基于分形维数评价秸秆预处理效果的方法,其特征在于,所述步骤1)中,所述秸秆样品为不同微化程度的样品,或经不同预处理方式处理后的样品。
4.根据权利要求3所述的一种基于分形维数评价秸秆预处理效果的方法,其特征在于,所述秸秆样品破碎至0.01-3500微米。
5.根据权利要求1所述的一种基于分形维数评价秸秆预处理效果的方法,其特征在于,所述步骤2)中,用纯水对干燥秸秆样品进行稀释,含固率<5%,用外置磁力搅拌器进行搅拌,稀释容器与磁力搅拌子使用前应清洗干净并烘干,搅拌保证样品充分混匀。
6.根据权利要求1所述的一种基于分形维数评价秸秆预处理效果的方法,其特征在于,所述步骤3)中激光粒度分析仪光源为波长633nm高稳定氦-氖激光器,分散剂折射率为1.330,颗粒吸收率为0.100,密度大于1,分散剂选择水,背景测量时间设置为10s,样品测量时间设置为10-12s,对于分散很不均匀的样品时间设置为10-20s,测量次数选择3次,测量时对于粒径为几十微米的大颗粒,遮光度范围为10-20%,粒径几个微米的小颗粒为6-10%,粒径几百纳米的颗粒为4-6%,很不均匀的样品为10-20%,搅拌转速设置为2000-3000转/min,每个样品测量结束运行清洁***后再继续测试。
8.根据权利要求1所述的一种基于分形维数评价秸秆预处理效果的方法,其特征在于,所述步骤5)中,
分形维数Df与秸秆样品的总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE计算模型如下:
Y=A-BX;
式中,X为分形维数Df,Y为秸秆样品的总有机碳最大溶出浓度TOCmax与有机质溶出表观活化能AAE,A和B为对应TOCmax和AAE的模型系数。
9.根据权利要求1所述的一种基于分形维数评价秸秆预处理效果的方法,其特征在于,所述步骤6)中,总有机碳最大溶出浓度TOCmax为秸秆样品在水相中总有机碳最大溶出值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911228358.9A CN111044416B (zh) | 2019-12-04 | 2019-12-04 | 一种基于分形维数评价秸秆预处理效果的方法 |
US17/110,440 US11073459B2 (en) | 2019-12-04 | 2020-12-03 | Method for evaluating an pretreatment effect for organic solid waste based on fractal dimension |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911228358.9A CN111044416B (zh) | 2019-12-04 | 2019-12-04 | 一种基于分形维数评价秸秆预处理效果的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111044416A true CN111044416A (zh) | 2020-04-21 |
CN111044416B CN111044416B (zh) | 2020-08-21 |
Family
ID=70234578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911228358.9A Active CN111044416B (zh) | 2019-12-04 | 2019-12-04 | 一种基于分形维数评价秸秆预处理效果的方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11073459B2 (zh) |
CN (1) | CN111044416B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117727361A (zh) * | 2023-12-08 | 2024-03-19 | 常州大学 | 一种基于秸秆的生物乙醇生命周期评价方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968831A (zh) * | 2010-10-12 | 2011-02-09 | 西北农林科技大学 | 一种秸秆高效沼气化利用预处理效果的评价方法 |
CN105445141A (zh) * | 2016-01-28 | 2016-03-30 | 河南农业大学 | 一种快速预测不同类型秸秆类生物质组分含量及光合产氢潜力的方法 |
US20180132506A1 (en) * | 2016-04-28 | 2018-05-17 | Shakeup Nutrition Solutions, Llc | Pre-mix compositions for the manufacture of soft serve products |
CN108830429A (zh) * | 2018-07-16 | 2018-11-16 | 西安建筑科技大学 | 一种基于分形维数的污水处理厂的优化方法 |
CN109321606A (zh) * | 2018-11-26 | 2019-02-12 | 黑龙江省科学院科技孵化中心 | 一种用于寒地秸秆沼气工程的农作物秸秆预处理方法 |
-
2019
- 2019-12-04 CN CN201911228358.9A patent/CN111044416B/zh active Active
-
2020
- 2020-12-03 US US17/110,440 patent/US11073459B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968831A (zh) * | 2010-10-12 | 2011-02-09 | 西北农林科技大学 | 一种秸秆高效沼气化利用预处理效果的评价方法 |
CN105445141A (zh) * | 2016-01-28 | 2016-03-30 | 河南农业大学 | 一种快速预测不同类型秸秆类生物质组分含量及光合产氢潜力的方法 |
US20180132506A1 (en) * | 2016-04-28 | 2018-05-17 | Shakeup Nutrition Solutions, Llc | Pre-mix compositions for the manufacture of soft serve products |
CN108830429A (zh) * | 2018-07-16 | 2018-11-16 | 西安建筑科技大学 | 一种基于分形维数的污水处理厂的优化方法 |
CN109321606A (zh) * | 2018-11-26 | 2019-02-12 | 黑龙江省科学院科技孵化中心 | 一种用于寒地秸秆沼气工程的农作物秸秆预处理方法 |
Non-Patent Citations (2)
Title |
---|
刘庆玉等: "农村污水与玉米秸秆耦合对厌氧发酵特性的影响", 《沈阳农业大学学报》 * |
叶协锋等: "不同秸秆生物炭的孔隙结构及其差异", 《生物质化学工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117727361A (zh) * | 2023-12-08 | 2024-03-19 | 常州大学 | 一种基于秸秆的生物乙醇生命周期评价方法及*** |
Also Published As
Publication number | Publication date |
---|---|
US11073459B2 (en) | 2021-07-27 |
US20210172849A1 (en) | 2021-06-10 |
CN111044416B (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deepanraj et al. | Multi-response optimization of process parameters in biogas production from food waste using Taguchi–Grey relational analysis | |
Rodrigues et al. | Comparative analysis of methods and models for predicting biochemical methane potential of various organic substrates | |
Triolo et al. | Near Infrared Reflectance Spectroscopy (NIRS) for rapid determination of biochemical methane potential of plant biomass | |
Zhu et al. | Specific surface to evaluate the efficiencies of milling and pretreatment of wood for enzymatic saccharification | |
Moody et al. | Using biochemical methane potential assays to aid in co-substrate selection for co-digestion | |
ALI et al. | Theoretical models for prediction of methane production from anaerobic digestion: A critical review | |
Le Hyaric et al. | Influence of moisture content on the specific methanogenic activity of dry mesophilic municipal solid waste digestate | |
Çetinkaya et al. | Evaluation of anaerobic biodegradability potential and comparative kinetics of different agro-industrial substrates using a new hybrid computational coding scheme | |
Garcia-Bernet et al. | Rapid measurement of the yield stress of anaerobically-digested solid waste using slump tests | |
Liu et al. | Rapid determination of lignocellulose in corn stover based on near-infrared reflectance spectroscopy and chemometrics methods | |
Siddhu et al. | Improve the anaerobic biodegradability by copretreatment of thermal alkali and steam explosion of lignocellulosic waste | |
CN111044416B (zh) | 一种基于分形维数评价秸秆预处理效果的方法 | |
Bala et al. | Pretreatment optimisation and kinetics of batch anaerobic digestion of liquidised OFMSW treated with NaOH: models verification with experimental data | |
Ugwu et al. | Effects of pre-treatments and co-digestion on biogas production from Okra waste | |
Lotisa et al. | Assessment of biogas construction potential from sensitive and administered agricultural wastelands | |
Sonwai et al. | Machine learning approach for determining and optimizing influential factors of biogas production from lignocellulosic biomass | |
Sandhu et al. | Anaerobic co-digestion of food wastes, algae, pond sludge and cow dung for biogas yield enhancement as a potent approach to reduce carbon footprints | |
CN111044415B (zh) | 一种基于分形维数评价秸秆厌氧转化生物可及性的方法 | |
Green et al. | A simple assay for monitoring cellulose in paper-spiked soil | |
Li et al. | Prediction of composting maturity and identification of critical parameters for green waste compost using machine learning | |
CN111060477B (zh) | 厌氧共发酵原料生化甲烷势近红外光谱快速检测方法 | |
CN105223102A (zh) | 一种利用近红外光谱技术快速测定制浆材基本密度的方法 | |
Okolie | Introduction of Machine Learning and artificial intelligence in biofuel technology | |
CN113849776A (zh) | 一种用于厨余废弃物处理厌氧工艺的优化方法 | |
Williams et al. | Green biomass processing to lower slurry viscosity and reduce biofuel cost |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |