Effect of lignin, extractive matter, holocellulose, and alpha cellulose of biomass on calorific value

Biyokütlenin içeriğindeki lignin, ekstraktif madde, holoselüloz ve alfa selülozun kalorifik değer üzerindeki etkisi

PDF İndir

Tez No: 736597
Yazar: ÖZLEM ECEM KAYNAR
Danışmanlar: PROF. DR. SERDAR YAMAN
Tez Türü: Yüksek Lisans
Konular: Kimya Mühendisliği, Chemical Engineering
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2022
Dil: İngilizce
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
Bilim Dalı: Kimya Mühendisliği Bilim Dalı
Sayfa Sayısı: 119

Özet

Biyokütle hava, su ve güneş ışığını kullanan yenilenebilir bir enerji kaynağıdır. Odun, hayvan atıkları, belediye katı atıkları, tarımsal artıklar, orman kalıntıları ve enerji santralleri biyokütlenin bazı örneklerindendir. Biyokütle enerjisinin kullanımı, fosil yakıtların yerine küresel ısınmayı azaltmanın umut verici bir yolu olarak görülmektedir. Biyokütlenin odunsu bitkiler, otsu bitkiler/ çimler, su bitkileri ve gübreler olmak üzere dört ana türü vardır. Ekstraktifler, lif veya hücre duvarı bileşenleri ve kül olmak üzere üç ana bileşeni vardır. Hücre duvarı karbonhidratlardan (selüloz veya hemiselüloz) ve yapısal dayanıklılık sağlayan ligninden oluşmaktadır. Biyokütle içeriğindeki kül, inorganik bileşenlerden elde edilir ve içeriği odunsu (lignoselülozik) biyokütle türlerinde genellikle düşüktür. Selüloz, hemiselüloz ve lignin biyokütlenin başlıca organik bileşenleridir. Bir glikoz polimeri olan selüloz suda çözünmez. Selülozun oranı genellikle biyokütlenin ağırlıkça yaklaşık %40-50'sidir. Hemiselüloz biyokütlenin ağırlıkça yaklaşık %20-40'ını ve lignin de ağırlıkça %10-40'ını oluşturur. Selüloz, biyolojik olarak lignine göre daha kolay parçalanabilir. Selüloz, hemiselüloz ve lignin oranı, enerji dönüşüm yolu için en önemli parametrelerden biridir ve bunlar sayesinde biyokütle kimyasal enerjiye sahiptir. Biyokütlenin ısıl değeri genel olarak fosil yakıtlarınkinden daha dü ̧süktür. Birim hacimdeki yüksek nem içeriği düşük enerji yoğunluğuna neden olmaktadır. Biyokütlenin kalorifik de ̆geri üzerine lignin ve holoselülozun etkisi ile ilgili çok sayıda literatür çalışması bulunmaktadır. Çalışmalarda biyokütlenin içerikleri ve kalorifik değerleri belirlenerek modeller türetilmiştir. Çalışmalarda yakın ve nihai analizler kullanılmıştır. Bu methodlar aynı zamanda biyokütlenin kalorifik değerini de ölçtüğü için çok önemli methodlardır. Bu çalışmada kalorifik değer üzerine yapılan araştırmalardan elde edilen farklı formüller ve sonuçlar gösterilmektedir. Araştırmaların genelinde kalorifik değerin nemden olumsuz etkilendiği, yüksek kül içeriğinin biyokütle üzerinde nem gibi davrandığı ve kül içeriğinin de kalorifik değeri olumsuz etkilediği sonucuna varılmaktadır. Bu çalışmada 12 farklı makalenin verileri model elde etmek için kaynak kullanılmıştır. Bu makalelerde çeşitli biyokütlelerin kalorifik değerleri hesaplanmış, biyokütlelerin içeriğinde bulunan lignin, ekstraktif madde, holoselüloz ve alfa-selülozun yüzdesel değerleri belirlenmiştir. Bu çalışmanın amacı hesaplanan bu değerlerin birbirleri arasındaki korelasyona dayalı model geliştirmektir. Modeller geliştirilirken regresyon analizi yöntemi kullanılmıştır. Regresyon analizi, değişkenler arasındaki fonksiyonel ilişkileri analiz etmek için temel bir araçtır. Modeli geliştirmek için veriler bir makine öğrenimi algoritmasına yüklenmelidir. Makine öğrenmesi algoritmalarından biri olan regresyon analizi için Python programlama dili kullanılmıştır. Regresyon analizi, bir veya birden fazla bağımsız değişken ile yanıt değişkenleri arasındaki bağlantıyı incelemek için önemli bir istatistiksel tekniktir. Bu çalışmada basit lineer regresyon ve çok değişkenli regresyon modelleri kullanılmıştır. Basit doğrusal regresyon, işlevi ifade etmenin en basit yoludur ve aynı zamanda en sık kullanılan analiz şeklidir. Tek bir tahmin değişkenine dayalı bir yanıtı tahmin etmek için etkili bir yöntemdir. Çoklu doğrusal regresyon da birden fazla bağımsız değişken ile tek bağımlı değişken arasındaki bağlantıyı kurmaya yarayan regresyon modelidir. Üç eksen arasındaki bağlantı çoklu doğrusal regresyon olarak ifade edilecekse, bu yerlere mümkün olduğunca yakın geçen bir düzlem belirlenmelidir. Bu çalışmada en küçük kareler (OLS) yaklaşımını kullanılarak, yanıt ve tahmin değişkeni dağılım grafiği üzerindeki noktaları en iyi temsil eden doğrular belirlenmiştir. OLS yaklaşımı, ölçüm sonucundan elde edilen veri noktalarına mümkün olduğu kadar yakın bir fonksiyon eğrisi bulmayı amaçlar. Bu doğru, her nokta ile doğru arasındaki dikey mesafelerin karelerinin toplamını en aza indiren bir çizgidir. Bu mesafelerin karelerinin toplamı, artık kareler toplamı olarak tanımlanır. Regresyon modellerinin doğruluğunu ölçmek için hipotez test kullanılmaktadır. Hipotez testleri, gözlem, araştırma veya deney sonucunda elde edilen verilerin rastgele olup olmadığını incelemek için kullanılır. En sık kullanılan hipotez testi, karşı hipoteze alternatif hipotez olarak atıfta bulunulduğunda sıfır hipotezinin test edilmesini içerir. Diğer bir doğruluk ölçüm yöntemi ise F istatistiğidir. Eğer F-testi sonucu katsayıların sıfıra eşit olduğu hipotezi rededilemezse hesaplanan kestirim değerleri anlamsızdır. P değeri ile doğruluğu ölçme yöntemi en çok kullanılan yöntemlerden biridir. P değerinin 0,05 değerinden daha küçük olması modelin kullanışlı olduğunu gösterir. Bu değer ne kadar küçük ise model o kadar doğrudur. R2 değeri ise birçok alanda kullanılan doğruluğu belirleyen bir metottur. Bu değerin 0,70'ten büyük olması değerin gerçeğe uygun olması için alt sınırdır. Bu değer 1'e ne kadar yakınsa model de gerçeğe o kadar yakındır. Bu çalışmanın amacı, biyokütlenin yapısal içerik değerlerinin kalorifik değer üzerindeki etkisini araştırmaktır. Aynı zamanda elde edilen modelin doğruluğunu araştırmaktır. Birçok biyokütle türünün kalorifik değerleri birbirinden oldukça farklı değere sahip olup, bu değerlerin biyokütle içeriklerinin miktarına bağlı olarak değişiklik gösterdiği ortaya konmak istenmektedir. Bu araştırmada 12 çalışmanın verileri kullanılarak çoklu doğrusal regresyon ve Python dili ile OLS tekniği kullanarak HHV değerlerini tahmin etmek için modeller oluşturulmuştur. Python, OLS tekniğinin kullanımını oldukça kolaylaştırmıştır. Bu teknik ile birçok sonuca tek işlem ile ulaşılmıştır. Model oluşturulurken veri biliminin yaşam döngüsünden faydalanılmıştır. Bu döngü yedi aşamadan oluşmaktadır. Aşamaların başlangıcını problemi ve veriyi anlamak oluşturur. Bu aşamalarda ortadaki problem ve bu problemin hedef çözümü belirlenir. Hedef veri ile eldeki veri arasında ilişki kurulur. Veriyi anlama adımında grafikler kullanılarak işlem kolaylaştırılmaktadır. Bu da Python dili ve onun kütüphaneleri sayesinde çok rahat bir şekilde gösterilebilmektedir. Bunlardan sonra en önemli aşama olan veri hazırlama aşaması gelir. Yeni veriler oluşturmayı, mevcut değişkenlerden yeni değişkenler türetmeyi ve aykırı değerler ile baş etmeyi içerir. Kayıp değerlere ne yapılması gerektiği bu aşamada karar verilir. Verinin miktarına bağlı bu boş değerlerin olduğu satırlar ya silinir ya da çeşitli yöntemlerden en uygun olanı ile boş değerler doldurulur. Veri hazırlandıktan sonra keşfedici veri analizi aşamasına sıra gelir. Bu aşama yanıt ve onu etkileyen faktörler hakkında bir fikir edinmeyi içerir. Gerçek modeli oluşturmadan önce bir karakterin çeşitli değişkenleri içindeki verilerin dağılımı grafiksel olarak araştırılır ve çeşitli özellikler arasındaki ilişkiler, dağılım grafikleri ve sıcaklık haritaları gibi grafikler kullanılarak temsil edilir. Analizden sonra veri modelleme aşaması gelmektedir. Veri modelleme, veri analizinin kalbidir. Bir model, organize verileri girdi olarak alır ve tercih edilen çıktıyı verir. Bu aşamada model ailesine karar verilir ve bu ailedeki algoritmaların arasından onları uygulayacak algoritmalar seçilir. Bu çalışmada biyokütledeki lignin, ekstraktif madde, holoselüloz ve alfa-selüloz içerikleri girdi olarak kullanılmıştır. Çıktı olarak ise biyokütlelerin kalorifik değerleri kullanılmıştır. Bu aşamada problemin regresyon problemi olduğu belirlenmiştir. Modeli oluşturmak için OLS algoritması çoklu doğrusal regresyon yaklaşımı kullanılmıştır. Son olarak model istenilen yapı ve kanalda konuşlandırılır. Hata yapılmamasını sağlamak için süreçteki her aşama dikkatlice incelenmiştir. Python uzun yıllardır kullanılan bir programlama dilidir. Programı kullanmaya yeni başlayanlar için bile çeşitli avantajlar sağlar. En ayırt edici özelliklerinden biri, çoklu-paradigma dili olarak görülebilmesidir. Bu çalışma, hesaplamalar yapmak, grafikleri görüntülemek ve modelleri eğitmek için python dilinin kütüphanelerine ihtiyaç duymuştur. NumPy, SciPy, Pandas ve Scikit-Learn, kütüphaneleri bu çalışmada kullanılan aynı zamanda veri bilimciler için en çok kullanılan kütüphanelerdir. Bu kütüphanelerin bu çalışmada yaptığı en önemli özellik OLS methodunun tek bir kod ile birçok sonuç vermesini sağlamasıdır. Diğer bir önemli özelliği ise veri bilimi döngüsünün veriyi anlama aşamasında grafik ile daha doğru tahminler yürütebilmekdir. Bu çalışmada, orijinal verilerden tüm boş veriler çıkarılmış ve iki veri seti oluşturulmuştur. Boş verilerin uygun bir yöntem ile doldurulması seçilmeyip boş verilerin ilgili olduğu satırlar veri kümesinden çıkartılmıştır. Bunun nedeni doğruluğu daha yüksek olan denklemler yaratılmak istenmesi ve verinin yeterince çok olmamasıdır. Birincisi, ekstraktif madde, lignin, holoselüloz ve HHV ilişkileri arasındaki verileri içeren bir veri kümesidir. Bunun nedeni, seçilen bu üç bağımsız değişkeninin boş değerlerinin aynı biyokütlelere ait olmasıdır. Burada dört değişken ile yeni değişkenler oluşturulmuş ve toplam dokuz bağımsız değişken elde edilmiştir. Alfa selüloz, diğer değişkenlere kıyasla daha fazla boş değer içerir. Bunlar kaldırıldığında, veri seti ikinci veri seti oluşturulmuştur. Bu veri seti ile tüm değişkenler arasında bir korelasyon kurulur. İlk veri seti gibi burada da dört değişken ile yeni değerler oluşturulmuş ve ikinci datasette toplamda 20 bağımsız değişken elde edilmiştir. Veriler toplanmış, hazırlanmış ve düzenlenmiştir. Dört değişkenin tamamı için OLS ile denklemler oluşturulmuş ve bu denklemlerin R2, düzeltilmiş R2, P ve F değerleri hesaplanmıştır. Bu değerler ile elde edilen denklemlerin anlamlı ve başarılı olup olmadığı sonucuna varılmıştır. En iyi modeli bulmak amacıyla tek ve çok değişkenli denklemler türetilmiştir. Çok değişkenli denklemler için tüm değişkenlerin birbirleriyle olan ilişkilerinin tüm olasılıkları sırayla değerlendirilmiştir. Alfa-selüloz, diğer değişkenlere göre daha fazla boş değere sahip olduğu için bu durumda belirleyici faktör olmuştur. Tek değişkenli doğrusal lineer denklemlerin tüm değerlendirmeler açısından sonuçları çok anlamlı çıkmamıştır. Bu nedenle tek değişkenli denklemler kalorifik değeri belirlemede kullanılamamaktadır. Aynı şekilde tek değişkenli denklemlere göre daha yüksek sonuçlara sahip olsa dahi iki ve üç değişkenli denklemler de kalorifik değeri belirlemede anlamlı bulunamamıştır. Diğer denklemlere nazaran dört değişkenli denklemlerin çoğu tüm değerlendirmelerden iyi sonuç almıştır. Elde edilen dört bağımsız değişkenli denklemler kalorifik değeri tahmin etmek için oldukça anlamlı çıkmışlarıdır. Sonuç olarak, basit doğrusal regresyon denklemleri HHV ile ilişkiyi tam olarak göstermese de, çoklu doğrusal regresyon denklemleri ile daha iyi tahminler yapılmıştır. SLR denklemlerinden daha iyi sonuçlar elde edilmesi için çok fazla veriye ihtiyaç duyulmaktadır. MLR ile elde edilen modellerin içinde tüm değişkenleri içeren denklemler en iyi doğruluğa sahiptir. Diğer modellerin doğruluğunun daha düşük olmasının nedeni veri kümelerindeki değerlerin sayısıyla ilişkilendirilebilir. Daha fazla veri üzerinde çalışılırsa, daha az değişkenle daha fazla doğruluğa ulaşılabilirdi. Bunlara ek olarak yeni teknoloji yöntemi olan Derin Öğrenme kullanıldığında doğruluğu daha yüksek olan ve daha az bağımsız değişkenli denklemler türetilebilir.

Özet (Çeviri)

Biomass is a renewable energy source that uses air, water and sunlight. Wood, animal waste, municipal solid waste, agricultural residues, forest residues and power plants are some examples of biomass. The utilization of biomass energy to replace fossil fuels is viewed as a viable strategy to prevent global warming. Woody plants, herbaceous plants/grasses, aquatic plants, and fertilizers are the four basic forms of biomass. Extractives, fiber or cell wall components, and ash are the three primary components. Carbohydrates (cellulose or hemicellulose) and lignin, which gives structural strength, make up the cell wall. Ash is derived from inorganic components in biomass, and its content is often low in lignocellulosic biomass types. The major organic components of biomass are cellulose, hemicellulose, and lignin. Cellulose is a glucose polymer that is water insoluble. The cellulose content of biomass is generally about 40-50 percent by weight. Hemicellulose accounts for around 20-40\% of biomass by weight, while lignin accounts for 10-40\%. Lignin is more biodegradable than cellulose. One of the most essential characteristics for the energy conversion pathway is the ratio of cellulose, hemicellulose, and lignin, and biomass possesses chemical energy because of it. To create a model, researchers gathered data from 12 separate papers. The calorific values of diverse biomass were computed in these articles, as well as the percentage values of lignin, extractive matter, holocellulose, and alpha-cellulose in the biomass content. The goal of this research was to create a model based on the estimated values' correlation. The regression analysis approach was utilized to create the models. Regression analysis is an essential tool for analyzing functional relationships between variables. Data must be supplied into a machine learning algorithm in order to construct the model. For regression analysis, a machine learning algorithm in the Python programming language was employed. The statistical approach of regression analysis was used to investigate the connection between one or more independent variables and response variables. In this investigation, simple and multiple linear regression models were utilized. The most frequent kind of analysis is simple linear regression, which is the simplest way to define the function. It is a simple way to predict an interaction using just one predictive variable. A regression model called multiple linear regression is used to establish a link between many independent variables and a single dependent variable. A plane that passes as close to these sites as feasible should be identified if the link between the three axes is to be stated as multiple linear regression. The lines that best reflect the points on the response and prediction variable scatterplots were calculated in this study using the least squares (OLS) technique. The goal of the OLS method is to find a function curve that is as close to the data points acquired from the measurement result as feasible. The sum of the squares of the vertical distances between each point and the line is minimized by this line. The sum of these distances squares is known as the sum of squares. The regression models' accuracy is measured via hypothesis testing. Hypothesis tests are performed to see if data collected through observation, investigation, or experimentation is random. The most commonly used hypothesis testing includes testing the null hypothesis when the counter-hypothesis is referred to as the alternative hypothesis. The F-test is another approach for determining accuracy. The derived predictive values are worthless if the hypothesis that the coefficients are equal to zero cannot be rejected by the F-test. One of the most common approaches for determining accuracy is to utilize the P value. The model is useful if the P value is less than 0.05. The smaller this number is, the more precise the model is. R2 is a parameter that influences accuracy in a variety of fields. It is a suitable limit for the value to be fair if it is bigger than 0,70. The closer the value is to 1, the more accurate the model is. The purpose of this research is to consider the impact of biomass structural composition on calorific value. Simultaneously, it is necessary to investigate the model's accuracy. Many biomass kinds have very varying calorific values from one another, and it is important to note that these values vary based on the amount of biomass existing. HHV values were calculated in this study utilizing data from 12 studies using the Python language's multiple linear regression and OLS techniques. The OLS approach has been made very simple to utilize by Python. Many outcomes were conveniently obtained as a result of this strategy. The data science life cycle was utilized to create the model. There are six phases to this cycle. First approaches to committing to business and data understanding. The problem in the middle and the problem's desired solution are determined at these stages. A link is made between the goal data and the data already available. Following that, the most crucial stage, data preparation, occurs. It entails generating new data, extracting new variables from existing variables, and dealing with outliers, among other things. The data has been produced, and the exploratory data analysis phase has begun. This step entails gaining an understanding of the reaction and the elements that influence it. Before building the actual model, the distribution of data inside a character's many variables is graphically analyzed, and the interactions between distinct attributes are shown using graphs such as scatter plots and temperature maps. The data modeling phase follows the analysis. The heart of data analysis is data modeling. A model takes structured data as input and outputs the desired result. The model family is chosen at this point, and the algorithms that will implement it are chosen from among those in the family. The quantities of lignin, extractive material, holocellulose, and alpha-cellulose in biomass were employed as inputs in this research. The calorific values of biomass were employed as an output. At this point, it was recognized that the issue was one of regression. The model was created using the OLS technique and a multiple linear regression strategy. Finally, the model is deployed on the structure and channel of your choice. Every stage of the procedure has been thoroughly examined to guarantee that no errors occur. Python is a well-known programming language that has been around for a long time. Even for those who are new to the program, it offers a number of benefits. Its ability to be viewed as a multi-paradigm language is one of its most defining characteristics. This project required Python libraries to execute computations, present graphs, and train models. The libraries employed in this study include NumPy, SciPy, Pandas, and Scikit-Learn, which are also the most popular among data scientists. All null data was eliminated from the original data in this investigation, and two data sets were produced. The first is a set of data on the relationships between extractive matter, lignin, holocellulose, and HHV. Because the null values of these three chosen parameters are all in the same biomass, this is the case. Filling in blank data has an influence on accuracy in a dataset with a few rows. In this case, four additional variables were formed, yielding a total of nine independent variables. When compared to other variables, alpha cellulose has a higher number of null values. The second dataset was constructed once they were eliminated. There is a correlation between this data set and all the factors. New values were constructed using four variables, similar to the initial data set, for a total of 20 independent variables. The information was gathered, prepared, and arranged. For all four variables, OLS equations were developed, and the R2, corrected R2, P, and F values of these equations were determined. The equations derived with these values have been determined to be meaningful and successful. Single and multiple linear regression equations are derived to determine the optimal model. All probabilities of all variables' relationships with each other are assessed in sequence for multiple linear regression (MLR) equations. The determining factor in this case was alpha-cellulose, which had more null values than the other variables. As a consequence, whereas simple linear regression (SLR) equations did not reveal the exact association with HHV, MLR equations did. To acquire better results using SLR equations, a lot of data is required. The most accurate equations are those that include all variables. The reason for this is the large number of datasets. In this scenario, more accuracy with fewer variables may be reached if more data was investigated.

Benzer Tezler

Tez No
172169
Çeşitli biyokütle numunelerinin yanma özelliklerinin incelenmesi
Examination of combustion properties of some biomass samples
MELTEM METEOĞLU
Yüksek Lisans
Türkçe
2006
Kimya Mühendisliği İstanbul Teknik Üniversitesi
Kimya Mühendisliği Ana Bilim Dalı
DOÇ.DR. HANZADE AÇMA
PROF.DR. SADRİYE KÜÇÜKBAYRAK
Tez No
363499
The comparison of effects of torrefaction and carbonization treatments on biomass
Torrefaksiyon ve karbonizasyon işlemlerinin biyokütleye etkilerinin karşılaştırılması
EZGİ BİLGİÇ
Yüksek Lisans
İngilizce
2014
Enerji İstanbul Teknik Üniversitesi
Kimya Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR YAMAN
Tez No
166678
Biyokütle bileşenlerinin biyokütlenin temel davranımına etkileri
Effects of biomass constituents on the thermal behavior of biomass
HÜMEYRA ORAK YETER
Yüksek Lisans
Türkçe
2005
Kimya Mühendisliği İstanbul Teknik Üniversitesi
Kimya Mühendisliği Ana Bilim Dalı
PROF.DR. SERDAR YAMAN
Tez No
295348
Pyrolysis process effects on the structural properties of biomass and its functional group distribution
Pirolitik prosesin biyokütlenin yapısal özelliklerine ve fonksiyonel grup dağılımına etkisi
EMİNE TOPSAK
Yüksek Lisans
İngilizce
2011
Kimya Mühendisliği İstanbul Teknik Üniversitesi
Kimya Mühendisliği Ana Bilim Dalı
PROF. DR. HANZADE AÇMA
Tez No
269300
Açık hava koşullarında sarıçam (Pinus sylvestris L.) ve kestane (Castanea sativa mill.) odunlarının kimyasal yapısında meydana gelen değişikliklerin belirlenmesi
Determination of weathering effects on chemical properties of pine (Pinus sylvestris L.) and chestnut (Castanea sativa Mill.)
ERDEM GENÇAY
Yüksek Lisans
Türkçe
2010
Ormancılık ve Orman Mühendisliği Bartın Üniversitesi
Orman Endüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AYBEN KILIÇ

Geri Dön