Publication: The design and development of artificial intelligence controlled laboratory scale fluidized bed gasifier
Abstract
Küresel boyuttaki çevre ve enerji sorunlarını çözmek için sürdürülebilir enerji teknolojileri ile ilgili çalışmalar giderek artmaktadır. Bu bağlamda, gazlaştırma teknolojileri çeşitli avantajlar sunmaktadır. Gazlaştırma sistemlerinin verimliliği, kullanılan yakıt türü ve miktarı, gazlaştırıcı ajanı, gazlaştırıcının boyutsal özellikleri (çap ve uzunluk), basıncı ve sıcaklığı gibi çeşitli faktörlere oldukça bağlıdır. Deneysel optimizasyon süreçleri daha gerçekçi olmakla beraber zaman alıcıdır. Ayrıca, yüksek sıcaklık ve basınçlarda çalışan bir reaktör tehlikeli ve maliyetli olabilmektedir. Bu sebeple, çeşitli matematiksel modelleme tekniklerini içeren süreç benzeşim programları kullanılmaktadır. Ayrıca, yapay zeka yaklaşımlarından biri olan yapay sinir ağları (YSA) süreç modelleme teknikleri içerisinde oldukça dikkat çekicidir, ve bu yöntemin diğer modelleme teknikleri ile birlikte kullanıldığı çok sayıda çalışma bulunmaktadır. Diğer taraftan, gazlaştırıcı tasarım parametrelerini ve çalışma koşullarını dikkate alan reaksiyon kinetiği temelli kombine bir YSA modeli henüz geliştirilmemiştir. Bu tez çalışmasında, yedi farklı dolaşımlı akışkan yatak gazlaştırıcının Aspen PLUS® süreç benzeşim kullanılarak modellenmesi ve doğrulanması gerçekleştirilerek parametrik çalışmaları yapıldı. Gazlaştırıcı çapı, gazlaştırıcı uzunluğu, gazlaştırıcı sıcaklığı, hava/ yakıt oranı ve yakıt türünün etkilerini incelemek için parametrik analiz gerçekleştirildi ve YSA’nın eğitimi için bir veri seti oluşturuldu. Sentez gazının bileşimi ve ısıl değeri, YSA modeli kullanılarak tahmin edildi. Böylelikle, hem tasarım parametrelerini hem de çalışma koşullarını dikkate alan yeni bir YSA modeli ilk kez geliştirildi. Bu tez kapsamında, boyutsal parametrelerin sentez gazının özellikleri üzerinde önemli bir etkisi olmasına rağmen, gazlaştırıcı sıcaklığının da önemli bir parametre olduğu saptandı. Ayrıca, YSA modelinin sentez gazının özelliklerini (bileşim, alt ısıl değer ve ekserji) büyük bir doğrulukla (R2 > 0.99 ve OMYH < %3) tahmin ettiği bulundu. Bu çalışma sonucunda, yapay zeka yaklaşımının dolaşımlı akışkan yataklı gazlaştırıcıların tasarımında ve geliştirilmesinde etkili bir şekilde kullanılabileceği kanıtlandı.
Studies on sustainable energy technologies are increasing to solve global environmental and energy problems. Gasification technologies offer several environmental and technological advantages in this context. The efficiency of gasification systems is highly dependent on several factors, such as the type and amount of fuel used, the gasification agent, gasifier dimensions (diameter and length), pressure, and temperature. Experimental optimization approaches are more realistic but also more time consuming. In addition, a reactor operating at high temperatures and pressures could be dangerous and expensive. Therefore, process simulation programs that incorporate various mathematical modeling techniques are used. On the other hand, artificial neural networks (ANN), which belong to artificial intelligence approaches, are quite remarkable among process modeling techniques, and there are many studies in which this method is used together with other modeling techniques. In addition, no combined ANN model based on reaction kinetics has yet been developed that takes into account the design parameters and operating conditions of the gasifier. In this study, seven different circulating fluidized bed gasifiers were modeled and validated using the Aspen PLUS® process simulation program, followed by parametric studies. Parametric analysis was used to examine the effects of gasifier diameter, gasifier length, gasifier temperature, air/ fuel ratio, and fuel type in order to create a data set for training of ANN. This was the first time a model was developed that accounted for both design and operating variables. In this dissertation study, it was found that in addition to the dimensional parameters, which have a significant effect on syngas properties, gasifier temperature is also an important parameter. Moreover, it was found that the ANN model predicts the syngas properties (composition, lower heating value, and exergy) with high accuracy (R2 > 0.99 and MAPE < 3%). As a result of this study, it was proved that the artificial intelligence approach can be effectively used in the design and development of circulating fluidized bed gasifiers.
Studies on sustainable energy technologies are increasing to solve global environmental and energy problems. Gasification technologies offer several environmental and technological advantages in this context. The efficiency of gasification systems is highly dependent on several factors, such as the type and amount of fuel used, the gasification agent, gasifier dimensions (diameter and length), pressure, and temperature. Experimental optimization approaches are more realistic but also more time consuming. In addition, a reactor operating at high temperatures and pressures could be dangerous and expensive. Therefore, process simulation programs that incorporate various mathematical modeling techniques are used. On the other hand, artificial neural networks (ANN), which belong to artificial intelligence approaches, are quite remarkable among process modeling techniques, and there are many studies in which this method is used together with other modeling techniques. In addition, no combined ANN model based on reaction kinetics has yet been developed that takes into account the design parameters and operating conditions of the gasifier. In this study, seven different circulating fluidized bed gasifiers were modeled and validated using the Aspen PLUS® process simulation program, followed by parametric studies. Parametric analysis was used to examine the effects of gasifier diameter, gasifier length, gasifier temperature, air/ fuel ratio, and fuel type in order to create a data set for training of ANN. This was the first time a model was developed that accounted for both design and operating variables. In this dissertation study, it was found that in addition to the dimensional parameters, which have a significant effect on syngas properties, gasifier temperature is also an important parameter. Moreover, it was found that the ANN model predicts the syngas properties (composition, lower heating value, and exergy) with high accuracy (R2 > 0.99 and MAPE < 3%). As a result of this study, it was proved that the artificial intelligence approach can be effectively used in the design and development of circulating fluidized bed gasifiers.