Publication: Artificial intelligence application in integrated gasification solid oxide fuel cell cycle
Abstract
Fosil kaynakların hızla tükenmesi ve çevre üzerindeki zararlı etkileri nedeniyle, enerji üretiminde yenilenebilir ve çevre dostu kaynakların kullanılması büyük önem taşımaktadır. Yüksek enerji talebini verimli dönüşüm yöntemleri kullanarak karşılayabilecek bir kaynak olan biyokütlenin kullanımı son yıllarda oldukça ilgi görmektedir. Biyokütle gazlaştırma, daha az emisyona neden olan ve verimli dönüşüm sağlayan umut vadeden bir teknolojidir.Gazlaştırma prosesinden üretilen yüksek H2 içerikli gaz ürünü, doğrudan elektrik üretiminde kullanılmaya uygun bir yapıdadır. Katı oksit yakıt hücresi (KOYH) biyokütle türevi yakıtlar için en uygun tip olduğu varsayılan elektrokimyasal reaksiyonlar kullanarak kimyasal enerjiyi elektriğe dönüştürebilen cihazlardır. Literatürde entegre olarak çalışan gazlaştırıcı-KOYH sistemleriyle ilgili birçok çalışma bulunmasına rağmen bu sistemler hala geliştirilmekte olup yüksek verimde enerji elde etmek için uygun dizayn parametreleri ve çalışma koşulları üzerinde çalışmalar yapılmaktadır. Gazlaştırma ve KOYH sisteminin sıfır boyutlu (termodinamik) yöntem kullanılarak modellenmesi, proses davranışını belirlemenin en basit yoludur. Yapay sinir ağı (YSA), termodinamik tabanlı gazlaştırma ve KOYH sistemlerini temsil etmek için son yıllarda oldukça popüler olan modelleme yöntemlerinden biridir.Bu tezde, Aspen Plus simülasyonu kullanılarak YSA modellerinin eğitimi için veri üretmek üzere entegre bir kabarcıklı akışkan yataklı gazlaştırıcı ve KOYH modeli oluşturulmuştur. YSA modelleri, giriş parametresi olarak biyokütle türleri ve çalışma koşulları kullanılarak elektriksel verim, net voltaj ve akım yoğunluğu açısından performans parametrelerini tahmin etmiştir. Sonuçlar, geliştirilen YSA modellerinin çıktı parametrelerini yüksek doğrulukla tahmin ettiğini göstermektedir.
Due to the rapid consumption of fossil resources and their harmful effects on the environment, it is very important to use renewable and environmentally friendly sources for energy production. The use of biomass, which is a resource that can meet the high energy demand through efficient conversion methods, has attracted much attention in recent years. Biomass gasification is a promising technology that produces fewer emissions and enables efficient conversion.The high hydrogen content gasification is suitable for direct use in power generation. The solid oxide fuel cell (SOFC) can convert the chemical energy into electricity, which is probably the most suitable fuel cell type for biomass-derived fuels. The integrated gasification SOFC systems are still under development to determine suitable design parameters and operating conditions for high energy efficiency. Modeling the GasifierSOFC cycles using the thermodynamic method is the simplest way to determine the process behavior. Artificial neural networks (ANN) are one of the modeling methods that are popular nowadays to represent the thermodynamic based gasification and SOFC systems.In this dissertation, an integrated bubbling fluidized bed gasifier and SOFC model was built to generate data for training the ANN models with Aspen Plus simulation. The ANN models predicted the performance parameters in terms of electrical efficiency, net voltage and current density using the biomass types and operating conditions as input parameters. The results show that the developed ANN models estimated the output parameters with high accuracy.
Due to the rapid consumption of fossil resources and their harmful effects on the environment, it is very important to use renewable and environmentally friendly sources for energy production. The use of biomass, which is a resource that can meet the high energy demand through efficient conversion methods, has attracted much attention in recent years. Biomass gasification is a promising technology that produces fewer emissions and enables efficient conversion.The high hydrogen content gasification is suitable for direct use in power generation. The solid oxide fuel cell (SOFC) can convert the chemical energy into electricity, which is probably the most suitable fuel cell type for biomass-derived fuels. The integrated gasification SOFC systems are still under development to determine suitable design parameters and operating conditions for high energy efficiency. Modeling the GasifierSOFC cycles using the thermodynamic method is the simplest way to determine the process behavior. Artificial neural networks (ANN) are one of the modeling methods that are popular nowadays to represent the thermodynamic based gasification and SOFC systems.In this dissertation, an integrated bubbling fluidized bed gasifier and SOFC model was built to generate data for training the ANN models with Aspen Plus simulation. The ANN models predicted the performance parameters in terms of electrical efficiency, net voltage and current density using the biomass types and operating conditions as input parameters. The results show that the developed ANN models estimated the output parameters with high accuracy.