CN101918815B - 生物质处理中使用的材料和方法 - Google Patents

Abstract

本发明公开了用于测量植物生物质成分和预测这样的生物质在各种处理条件下转化为各种成品的效率的方法和材料。例如，公开了用于鉴定具有较高可利用碳水化合物水平的植物材料的方法和材料，以及用于处理具有较高可利用碳水化合物水平的植物材料的材料和方法。也公开了为生物炼厂提供改进的经济效率的计算机执行的方法和系统。

Description

生物质处理中使用的材料和方法

发明领域

本发明涉及用于确定植物生物质的成分特征以及在各种处理条件下所述生物质生产燃料、化学品和/或热能和能量的转化效率的方法和材料。例如，本发明提供了用于测量可利用碳水化合物水平和鉴定具有较高可利用碳水化合物水平的植物材料的材料和方法。

发明背景

植物以组成植物的化学键的形式储存来自阳光的能量。根据所使用的植物材料和用于从其中萃取能量的方法，储存在植物材料中的该能量可以转化成诸如热能、电流和液体燃料的能量形式。其他方法能够从植物生物质中生产可以用于各种工业过程的化学中间体，如乳酸、琥珀酸等等。

数千年来，通过直接在空气中燃烧，人类已经使用植物材料以产生热能。出于建筑物和过程加热的目的，这种热能通常用于产生蒸汽，这是用于通过各种设计的热交换器对建筑物和公共区域进行加热的较易输送的热能来源。生产的蒸汽也可以用于驱动涡轮，这将热能转化为电能。这些方法通常涉及单独的植物材料的简单的直接燃烧过程或其与煤或其他能量源的共燃烧。

通过许多不同的方法，可以从植物材料生产诸如乙醇的燃料。例如，可以从植物材料中萃取甘蔗中的蔗糖，并使用诸如啤酒酵母的微生物直接发酵成乙醇。巴西已经将其运输部门的很大一部分转为利用来自甘蔗的乙醇，这说明可以在大范围中大规模实行。另一个例子，可以用α-淀粉酶和葡糖淀粉酶处理玉米淀粉以释放游离的葡萄糖，后者随后发酵为乙醇。美国使用其很大部分的玉米产量由淀粉生产乙醇。虽然这些进展是显著的，由于在这些工业方法中，所捕获并转化为植物中的化学能的太阳能中只有一小部分转化成生物燃料，提高获得自植物材料的液体运输燃料数量的能力是有限的，并且不足以实现联邦政府要求的再生能源目标。

通过使用酶和/或微生物的生化方法或通过使用高温和非酶催化剂的诸如生物质液化(BtL)技术的热化学方法，植物材料可以用于生产纤维素生物燃料。也有热化学/生化方法杂合的例子。生化方法通常使用物理和化学预处理、酶和微生物以拆解生物质的木质纤维素基质，从而释放可发酵的纤维素、半纤维素和其他细胞壁碳水化合物，后者随后由微生物发酵成乙醇。目前，正在开发用于生物燃料生产的许多不同处理方法，它们使用不同的预处理策略、酶混合物和微生物。许多这样的方法针对乙醇的生产，但在此类方法中，也可以生产丁醇和其他有用的分子(例如乳酸、琥珀酸、聚链烷酸酯等等)。所产生的转化产物分子通常由发酵所选用的微生物决定。

热化学方法是用低氧环境中非常高的温度以将生物质的有机成分完全降解为合成气(主要由分子状态的氢和一氧化碳气体构成)。采用Fischer-Tropsch工艺或通常使用某类化学催化剂的其他方法，这些简单的分子随后再形成更有用的、更有价值的分子(燃料或化学中间体)。这些方法在生产与目前石化基的碳氢燃料(即汽油、柴油、航空燃油)类似的生物燃料上是有效的，虽然在这些类型的方法中也可以生产其他生物燃料分子(即乙醇、丁醇、煤油)。

热化学方法的一种变体形式使用高温分解(即完全无氧条件下的热降解)将存在于植物生物质中的有机成分部分降解为化学异质的液态生物油。这有助于提高生物质的能量密度，便于运输至集中化的处理装置，在那里所述生物油进一步加工为所需的产品构成。

生物质转化方法的经济生命力明显受到植物材料的组成及其在具体处理条件下转化为热、电、生物燃料或化学中间体的效率的影响。对于生产生物燃料或其他化学品的生化方法而言，生物质的木质纤维素基质的顽固性(recalcitrant)是转化效率中的主要因素。目前用于测量与植物材料转化为能量相关的各种参数的分析方法缓慢、昂贵、并要求高度熟练的操作者以获得精确可信的信息。这些方法的低通量和高成本限制了其在选择和培育转化表现特性改进的植物生物质原料品种中的使用。由于同样原因，这些方法在用于生物质处理过程中监测各种过程中间体时也受到了限制。在原料和工艺开发中的这些困难已经限制了纤维素生物燃料潜能的实现并阻碍了具有经济生命力的工艺的开发。

发明概述

本发明部分基于可以对NIR模型加以发展以表征植物生物质成分的性质和/或数量对各种生物质转化过程的意义这一发现。例如，已经令人惊异地发现，在干燥的研磨的生物质的NIR光谱的基础上，可以预测酶催化的糖化作用的转化效率。这样的NIR模型可以用于预测相同或相似处理条件下未知生物质样品的糖化效率。这样的模型也可以用于预测相同特定处理条件下来自一种具体生物质材料的生物燃料的最终产量。因此，这样的模型可以用于确定生物炼厂中处理一种具体原料的最佳条件。NIR模型可以在植物培育中使用，以选择具有较高可利用碳水化合物水平和较高生物燃料(即乙醇)产量(加仑/吨生物质)的植物。这样选择的植物可以用于产生作为附加价值特性的具有较高数量可利用的碳水化合物和较高糖化效率的改良品种。这样的植物可以用于生产可以转化为液体燃料或其他化学品的生物质。

因此，在一个方面，本发明描述了一种NIR模型公式化的方法。该方法包括相同种类的多个不同生物质原料样品接受近红外光谱分析以产生每个样品的NIR光谱数据。使用建立的湿化学或其他技术，独立测量每个原料样品的化学成分以及规定的预处理/酶投放量条件组下处理后每个样品溶出的单糖和二糖的总量。所述NIR模型是由于光谱数据、化学成分数据和糖化结果之间出现的相关性而产生的。所获得的NIR模型能够预测一种待测原料样品中可利用碳水化合物的数量，如果该待测样品是在与规定的预处理/酶投放量条件相同或相似的条件下处理的。在一些实施方式中，所述产生步骤包括光谱数据对化学成分数据和糖化结果的回归，以及使用多变量统计学方法获得的校准方程。所述方法可以进一步包括测量通过第二规定预处理/酶投放量条件处理后每个原料样品溶出的单糖和二糖总量，以及产生来自所述第二规定预处理/酶投放量条件下溶出的单糖和二糖量、光谱数据和化学成分数据的第二个NIR模型。通过所述NIR模型预测的化学成分可以包括所述生物质的阿魏酸和乙酸含量，如果所述方法已经对这些成分进行了校准。

另一方面，本发明描述了一种确定原料样品中可利用碳水化合物量的方法。所述方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类的原料中可利用碳水化合物的NIR模型应用于所述光谱数据，以及在应用所述模型的基础上预测所述样品中可利用碳水化合物材料的量。

另一方面，本发明描述了一种用于预测原料样品的糖化转化效率的方法。所述方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类的原料中可利用碳水化合物的NIR模型应用于所述光谱数据，以及在应用所述模型的基础上预测所述样品的糖化转化效率。所述糖化转化效率可以是例如葡萄糖转化效率或葡萄糖+木糖转化效率。所述方法可以进一步包括预测所述原料样品的单糖产量。

另一方面，本发明公开了一种预测原料样品的产物产量的方法。所述方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类的原料中的产物产量的NIR模型应用于所述光谱数据，以及在应用所述模型的基础上预测所述样品的产物产量。所述方法中的产物产量可以是生物燃料产量。所述原料样品可以是草本或木本材料，例如柳枝稷、高粱、甘蔗、芒秆、杨树、柳、水稻或玉米。

另一方面，本发明描述了一种确定原料样品中阿魏酸和乙酸含量的方法。所述方法包括收集待测样品的NIR光谱数据，将与样品相同种类的原料中的阿魏酸和乙酸含量的NIR模型应用于所述光谱数据，以及在应用所述模型的基础上预测所述原料样品中的阿魏酸和乙酸含量。

另一方面，本发明描述了一种确定生物质原料处理的酶催化条件的方法。所述方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类的原料中可利用碳水化合物的一个或多个NIR模型应用于所述光谱数据，以及在所述应用步骤结果的基础上，预测所述样品产生确定的糖化作用的酶载量条件。在一些实施方式中，所述方法也包括在应用所述模型的结果的基础上，预测所述原料样品产生确定的糖化作用的预处理条件。

另一方面，本发明公开了一种确定生物质原料的处理条件的方法。所述方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类的原料中的处理条件的一个或多个NIR模型应用于所述光谱数据，以及在所述应用步骤结果的基础上，预测所述原料样品产生确定的糖化作用的处理条件。所述处理条件可以包括预处理。所述处理条件可以包括使用一种或多种用于对预处理的原料样品进行糖化的酶。所述原料样品可以是草本或木本材料。所述原料样品可以包括选自下组的物种：柳枝稷、高粱、甘蔗、芒秆、杨树、柳、水稻或玉米。

另一方面，本发明描述了一种选择植物的方法。所述方法包括提供一个生物质物种的植物种群，收集所述种群中植物的原料样品的NIR光谱数据，将与样品相同种类的原料中的可利用碳水化合物的NIR模型应用于所述光谱数据，在所述应用步骤结果的基础上预测每个原料样品的糖化效率，以及鉴定所述种群中与该种群的平均预测糖化效率相比具有较高预测糖化效率的一株或多株植物。在一些方面，选择植物的方法包括提供一个生物质物种的植物种群，收集所述种群中每株植物的原料样品的NIR光谱数据，将与样品相同种类的原料中的一个或多个S重量百分比、G重量百分比和H重量百分比的NIR模型应用于所述光谱数据，在所述应用步骤结果的基础上，预测每个原料样品的一个或多个S、G和H重量百分比，以及鉴定所述种群中与平均预测的S、G或H重量百分比相比具有一个或多个S、G或H重量百分比发生改变的一株或多株植物。所述原料样品可以是草本或木本材料，例如柳枝稷、高粱、甘蔗、芒秆、杨树、柳、水稻或玉米。

另一方面，本发明描述了一种培育植物品种的方法。所述方法包括将两株或更多亲本生物质植株杂交，以及选择与至少一个亲本的糖化转化效率效率相比具有较高预测糖化转化效率的杂交子代。所述选择步骤可以包括收集杂交的一个或多个子代的原料样品的NIR光谱数据，将与样品相同种类的原料中的可利用碳水化合物的NIR模型应用于所述光谱数据，以及在所述应用步骤结果的基础上预测所述样品的糖化转化效率。随后选择与至少一个亲本植株的预测糖化转化效率相比具有预测的糖化转化效率升高的子代。也描述了一种培育植物品种的方法，其中选择了与至少一个亲本植株的可利用碳水化合物数量相比具有较高的预测的可利用的碳水化合物数量的杂交子代。在一些方面，培育植物品种的方法包括将两株或多株亲本生物质植株杂交并选择与至少一个亲本植株的S、G或H重量百分比相比具有预测的变化了的一个或多个S、G或H重量百分比的杂交子代。所述所述原料样品可以是草本或木本材料，例如柳枝稷、高粱、甘蔗、芒秆、杨树、柳、水稻或玉米。

另一方面，本发明描述了一种培育植物品种的方法，该方法包括在一个生物质物种的植物种群中鉴定一个或多个与该种群的平均糖化转化效率相比具有较高的预测糖化转化效率的成员。所鉴定的一个或多个成员随后通过有性或无性技术进行繁殖。也描述了一种培育植物品种的方法，其中鉴定了这样的种群中与该种群的平均可利用碳水化合物数量相比具有较高的预测可利用碳水化合物数量的一个或多个成员。这样的鉴定的植株通过有性或无性技术繁殖。

本发明也描述了一种管理原料供应链的方法。所述方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类的原料中的可利用碳水化合物的NIR模型应用于所述光谱数据，在所述应用步骤结果的基础上预测所述原料样品的糖化转化效率，以及将所预测的糖化转化效率输入可被原料处理器利用的作物检索系统。所述方法可以进一步包括按照由所述原料处理器设定的原料质量规范对所述原料进行分类，以及在所述原料分类的基础上向所述原料的生产者支付具体价格。

本发明也描述了一种包含计算机程序指令的计算机可读的媒介，当被处理器执行时，该媒介完成一种方法。所述方法包括从待测原料样品接收NIR光谱数据，将与样品相同种类的原料中的可利用碳水化合物的NIR模型应用于所述光谱数据，以及在应用所述模型的基础上将所述原料样品中可利用的碳水化合物的量传入作物检索系统。

另一方面，本发明描述了一种计算机执行的方法，该方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类的原料中的可利用碳水化合物的NIR模型应用于所述光谱数据，在应用所述NIR模型的基础上预测所述原料样品的糖化转化效率，以及输出所预测的糖化转化效率以被作物检索系统所使用。所述系统设置为确定获得所述原料样品的原料的生物质质量。另一方面，计算机执行的方法包括在作物检索系统上接收与提供所述原料的生产者相关的原料的预测糖化转化效率，在所预测的糖化转化效率的基础上确定供应链分布，以及向原料处理器输出所述供应链分布的指数。

另一方面，本发明描述了一种系统，其包括用于接收原料样品NIR光谱数据的界面，以及输出以供作物检索系统使用的与原料样品相同种类的原料中可利用碳水化合物的NIR模型，在应用所述NIR模型基础上预测的所述原料样品的糖化转化效率。所述作物检索系统设置为确定与所述原料样品相同种类的原料的生物质质量。

本发明也描述了一种NIR模型公式化的方法。所述方法包括相同种类的多个生物质原料样品接受近红外光谱分析以产生每个样品的NIR光谱数据。通过热化学技术测量每个原料样品的热化学产物产量，并且所述NIR模型是由所述光谱数据和所述热化学产物产量产生的。所获得的NIR模型能够预测待测原料样品的热化学产物产量。所述热化学产物可以是液体生物燃料。

另一方面，本发明描述了一种确定原料样品中固定碳的量的方法。这样的方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类的原料中固定碳的NIR模型应用于所述光谱数据，以及在应用所述模型结果的基础上预测所述原料样品中固定碳的量。在另一方面，本发明描述了一种预测原料样品中C∶H∶O重量百分比的方法。所述方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类的原料中的C∶H∶O重量百分比的NIR模型应用于所述光谱数据，以及在所述应用步骤的基础上预测所述原料样品中的C∶H∶O重量百分比。另一方面，本发明描述了一种预测原料样品的高位发热量(HHV)的方法。所述方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类的原料的HHV的NIR模型应用于所述光谱数据，以及在应用所述模型结果的基础上预测所述原料样品的HHV。

本发明也描述了一种预测生物质经济价值的计算机执行的方法。这样的方法包括收集待测原料样品的NIR光谱数据。将与样品相同种类的原料的HHV的NIR模型应用于所述光谱数据，并在应用所述模型的基础上预测所述原料样品的HHV。将与样品相同种类的原料的固定碳的NIR模型也应用于所述光谱数据，并在应用所述固定碳模型的基础上预测所述原料样品的固定碳。将与样品相同种类的原料中可利用碳水化合物的NIR模型也应用于所述光谱数据，并在应用所述可利用碳水化合物模型的基础上预测所述原料样品的糖化转化效率。随后在每个NIR模型结果的基础上，预测导致所述原料样品带来的确定经济价值的确定的生化和热化学处理条件。这样的方法可以用于根据终产物产量确定生物质材料的价值，预测一种材料的最佳生物燃料产量。这样的方法也可以用于从种群中选择品种和/或在培育规划中直接杂交以实现最佳经济价值。

另一方面，本发明描述了一种计算机执行的方法，该方法包括在作物检索系统上接收与提供所述原料的生产者相关的原料的预测的HHV、预测的固定碳量和预测的糖化转化效率，在预测的HHV、预测的固定碳量和预测的糖化效率的基础上确定供应链分布，以及向原料处理器输出所述供应链分布的指数。

另一方面，本发明描述了一种预测可以从原料样品获得的能量数的方法，该方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类原料的HHV和固定碳量的NIR模型应用于所述光谱数据，以及在所述应用步骤结果的基础上预测可从所述原料样品获得的能量数。另一方面，公开了一种确定生物质原料处理条件的方法，该方法包括收集待测原料样品的NIR光谱数据，将与样品相同种类原料的固定碳量和HHV的一个或多个NIR模型应用于所述光谱数据，以及在所述应用步骤结果的基础上预测产生所述原料样品具体燃烧的处理条件。所述处理条件可以包括预处理。

另一方面，本发明描述了一种NIR模型公式化的方法。所述方法包括相同种类的多个生物质原料样品接受近红外光谱分析以产生每个样品的NIR光谱数据，通过一种或多种分析化学技术测量每个原料样品的化学成分，以及由所述光谱数据和所述化学成分数据产生NIR模型。所述NIR模型能够预测待测原料样品中一个或多个S重量百分比、G重量百分比和H重量百分比。一种确定原料样品中一个或多个S、G和H重量百分比的方法包括收集待测原料样品的NIR光谱数据，将与所述样品相同种类的原料中的一个或多个S重量百分比、G重量百分比和H重量百分比的NIR模型应用于所述光谱数据，以及在所述应用步骤结果的基础上预测所述原料样品中一个或多个S重量百分比、G重量百分比和H重量百分比。

除非另有定义，这里所使用的所有技术和科学术语具有与本发明所属领域内一般技术人员通常理解的相同的含义。虽然与这里所述相似或等同的方法和材料可以用于实施本发明，以下对合适的方法和材料进行描述。这里所提及的所有出版物、专利申请、专利和其他参考文献通过参考完整地整合在本说明书中。在产生矛盾的情况下，本说明书(包括定义在内)具有支配权。此外，所述的材料、方法和实施例仅出于举例说明的目的而不具有限制性。

以下的附图和描述中阐明了本发明一种或多种实施方式的细节。本发明的其他特征、对象和优点通过描述和附图以及权利要求书会是显而易见的。

附图说明

图1是柳枝稷调查样品和为了方法校准所选取的55样品的子集的主成分分析(PCA)得分作图。菱形是调查样品，星号是校准样品。

图2是使用3个主成分(PC)的蛋白质NIR/PLS方程。显示了每个波长下每个主成分的系数。也给出了蛋白质浓度的加权系数。也显示了数学处理选项，表示一阶导数处理后用4厘米^-1线段和4厘米^-1块通过一阶多项式拟合进行标准正态变量平滑。所述方程是使用美国宾西法尼亚州斯泰特科利奇英弗软件公式(Infrasoft International，State College，Pennsylvania，USA)的多变量分析软件WinISI 4.0版本开发的。

图3是通过湿化学方法和针对SWG_2模型的交叉校验值确定的校准样品的成分的比较。

图4是通过湿化学方法和SWG_2模型确定的独立校验样品成分的比较。

图5是针对经过酸预处理和酶催化糖化的样品的由湿化学方法确定的葡萄糖转化效率与通过NIR转化模型预测的葡萄糖转化效率的比较。

图6是柳枝稷种群中葡聚糖数量分布图。

图7是柳枝稷种群中木聚糖数量分布图。

图8是柳枝稷种群中木质素数量分布图。

图9是管理向生物炼厂供应原料的一种方法和系统的例子。

图10是确定原料供应链分布的一种方法和系统的例子。

图11是酸预处理/酶催化糖化后两个柳枝稷样品的转化分析。

图12是使用酸预处理/酶催化糖化评估的90个不同柳枝稷样品的转化效率的柱状图。

图13是酸预处理/酶催化糖化后从不同柳枝稷样品中释放的葡萄糖的数量图。

图14是碱预处理/酶催化糖化后从不同柳枝稷样品中释放的葡萄糖的数量图。

不同附图中相同的参考符表示相同的元素。

发明详细描述

1.综述

通过1)经a)生化过程(使用酶和/或微生物)或b)诸如生物质到液体(BtL)技术(使用高温和非酶催化剂)的热化学过程转化为生物燃料；或2)通过热化学过程(燃烧)产生热和/或电，植物生物质可以用于产生能量。

生物质能够通过这些过程转化为能量的效率取决于该生物质的多种成分特性。根据对转化过程的设计，相关的成分特性有所不同。

通常，生化过程的转化效率受生物质中碳水化合物浓度以及该碳水化合物可以水解为可发酵糖的容易程度的影响最大。生化过程中的木质素通常在经过发酵过程后转化为能量，虽然其燃烧产生热和电。类似地，产生生物燃料的热化学过程的效率和产量受生物质的碳∶氢∶氧(C∶H∶O重量百分比)的总量和含灰量的影响最大。热化学燃烧过程的效率受生物质的高位发热量(HHV)和含灰量的影响最大。生物质的HHV是生物质碳、氢和氧含量的函数。

这些成分参数中的一些在自然界中是多参数的且/或受生物质基质中其他组分的影响。这导致了对这些参数的评估经常引起对具体过程中生物质转化效率的不准确估计。采用来自直接转化效率测量的数据的方法对于理解用于能量产生的各种生物质材料的相对用途可能是非常有用的。

转化效率的概念描述了与储存在该生物质原材料中的全部能量的理论产量相比，来自经受了具体过程的生物质原材料的能量产量(按照生物燃料、热和/或电)。具体地说，对于生物质到生物燃料的生化过程，具有相似重量成分参数(即纤维素、半纤维素、胶质、木质素等等)的两种植物材料可能具有不同的转化效率。这些差异很可能是由于构成植物细胞壁主要部分的所述4种主要聚合物的三维组合结构中的变化。对于热化学过程而言，对同样这两种成分类似的原料会预计产生相似的过程效率，因为热化学过程对细胞壁构造几乎不敏感，并且这两种样品具有相同的C∶H∶O重量百分比。根据相同的推理，对具有不同的纤维素、半纤维素、胶质和木质素的量，但具有相似的总C∶H∶O重量百分比的样品，也会预计具有相似的热化学过程效率。

本发明描述了与可以用于生物燃料生产和开发改良的植物品种及种群的参数的快速预测相关的材料和方法。这些材料和方法包括快速表征并鉴别具有较高酶可利用碳水化合物水平的植物材料(针对生化转化过程)的近红外(NIR)光谱分析模型，以及处理具有较高可利用碳水化合物水平的植物材料的材料和方法。这些材料和方法也包括预测热化学生物质-液体(BtL)过程中生物燃料产量、以及针对热和电生产的固定碳和/或高位发热量(HHV)的NIR模型。快速廉价地表征这些参数的能力非常有助于为生物能源生产开发具有增强特征的改进的植物品种、种群和农作物。快速廉价地表征这些参数的能力也可以用于定义生物炼制中的操作以优化来自生物质原料和处理的经济回报。

2.定义

“可利用碳水化合物”是指生物质原料处理后释放到水相中的单糖和寡糖。原料中可利用碳水化合物的量与为糖化过程所选择的预处理和酶催化糖化条件以及初始生物质原料的组成和结构有关。

“灰分”是指贡献了原料干重的无机材料。可以通过公开的诸如ASTM标准E1755的标准方法确定生物质原料中的灰分含量。

“生化处理”是指一种主要生物学过程，其中植物材料通过酶和/或发酵有机体船划成液体产物。生化处理可以需要热化学预处理。

“生物燃料”包括但不限于生物柴油、甲醇、乙醇、丁醇、直链烷烃(C₅-C₂₀)、支链烷烃(C₅-C₂₆)、混合烷烃、直链醇(C₁-C₂₀)、支链醇(C₁-C₂₆)、直链羧酸(C₂-C₂₀)以及支链羧酸(C₂-C₂₆)。此外，可能对上述酸和醇的醚、酯和酰胺以及这些化学品的其他偶联物感兴趣。许多这些化学品可以通过化学反应随后转化成其他高价值的大宗化学品。

“生物质”是指有机物质。生物质包括源自草本和木本能源作物、农业食物和饲料作物、农作物垃圾和残留物、树木垃圾和残留物、水生植物、和其他植物来源材料的植物物质。生物质也可以包括藻类、场院垃圾，以及包括一些市政垃圾。生物质是异质的化学上复杂的可再生资源。生物质的成分包括葡聚糖、木聚糖、可发酵糖、阿拉伯聚糖、蔗糖、木质素、蛋白质、灰分、浸出物、阿魏酸和乙酸。

“生物能源”是指使用植物生物质产生电和热的过程。有三种不同类型的生物能源系统：直接燃烧、共燃烧和气化。直接燃烧涉及直接燃烧植物生物质以产生供加热的蒸汽。可以捕获该蒸汽并将其导向旋转产生电流的涡轮。这一系统与使用煤炭或石油产生电流的传统电能生产非常相似。共燃烧与直接燃烧类似，除了是将植物生物质在高效锅炉中与化石燃料(最常见是煤)组合燃烧之外。气化系统与其他两种方法不同，其中在缺氧环境中使用高温将生物质转化为气体(一种氢、一氧化碳和甲烷的混合物)。这一气体随后可用于为能量高效的组合式循环气体涡轮提供燃料，所述涡轮与喷气式引擎非常相似，只不过它驱动发电机而不是推动喷气机。所产生的电流也可以储存在电池中。

“碳水化合物材料”是指存在于生物质中的多糖，如葡聚糖、阿拉伯聚糖、木聚糖和果胶。

“纤维素”是指葡聚糖多糖，即具有β-1，4-糖苷键的葡萄糖聚合物。纤维素中的这种β-键形成高度稳定并对化学攻击具有抗性的线性链，因为在纤维素的链之间可能发生大量的氢键联接。纤维素水解导致产生纤维二糖C₁₂H₂₂O₁₁和葡萄糖单糖C₆H₁₂O₆。纤维素是树木和其他生物质的主要碳水化合物成分。

“副产物”是指可以由植物生物质获得的或作为生物燃料生产副产物的感兴趣的化学品。副产物可以通过使用植物生物质的碳水化合物部分或其它成分的方法产生。典型的副产物包括但不限于1，3-丙二醇、3-羟基丙酸、丙三醇、乙二醇、丙二醇、丙酮、丙烯酸、甲基丙烯酸、琥珀酸、1，4-丁二醇、四氢呋喃、丁内酯、富马酸、苹果酸、2，5-呋喃二羧酸、2，5-二甲基呋喃、天冬氨酸、葡糖二酸、谷氨酸、衣康酸、乙酰丙酸、3-羟基丁内酯、山梨醇、木糖醇和阿拉伯糖醇。参见美国能源部T.Werpy和G.Peterson的《来自生物质的最具价值额外化学品》“Top Value Added Chemicals from Biomass”，可通过网址www.osti.gov/bridge访问。此外，可能会对上述酸和醇的醚、酯和酰胺、以及这些化学品的其他偶联物感兴趣。许多这些化学品可以随后通过化学反应转化成其他高价值的大宗化学品。其他感兴趣的副产物可以包括木质素、苯丙素、营养成分、富营养动物饲料、富蛋白质动物饲料、胶原和明胶。

“浸出物”是指能够通过不降解生物质结构的极性和非极性溶剂的方法从生物质中抽提出的生物质中大量不同的化合物。这样的溶剂包括水、乙醇、己烷、乙醚、苯和甲醇。生物质样品中发现的生物质的化学性质和数量可以随物种、收获时间和样品类型而改变。

“阿魏酸和乙酸含量”是指通过，，Sluiter等描述的(NREL/TP-510-42618，2008年4月，国家可再生能源实验室(National Renewable Energy Laboratory，Golden，Colorado))以及Saulinier，L等，Carbohydrate Research(1995)272卷：241-253中所述的程序测量的附着在半纤维素木聚糖骨架上的阿魏酸和乙酸分子的浓度。

“固定碳”是指如ASTM方法D3175中所述的在标准条件下热化学处理后生物样品中稳定的碳的数量。固定碳也被称为“焦炭”。

“葡聚糖”、“木聚糖”和“阿拉伯聚糖”是指存在于纤维素和半纤维素碳水化合物聚合物中的酐形式的葡萄糖、木糖和阿拉伯糖。因此，例如“葡聚糖”是指通过糖苷键联接的D-葡萄糖单体的多糖。以下属于葡聚糖：纤维素(β-1，4-葡聚糖)、右旋糖苷(α-1，6-葡聚糖)和淀粉(α-1，4-和α-1，6-葡聚糖)。

“半纤维素”是用于表示非纤维素或果胶的细胞壁多糖的通用术语。“半纤维素”包含一种五碳糖(通常为D-木糖或L-阿拉伯糖)和/或一种六碳糖(D-半乳糖、D-葡萄糖和D-甘露糖)的重复单体单位。参见美国专利7,112,429。半纤维素通常长度比纤维素短并且高度分枝。木聚糖通常是阔叶树和草的半纤维素的结构骨架，这些类型的生物质水解释放五碳糖(木糖)高含量的产物。针叶树的半纤维素最常见的是葡萄糖-半乳糖-甘露聚糖，其具有甘露聚糖骨架并产生甘露糖作为主要水解产物。半纤维素通常包含诸如乙酰基、糖醛酸和阿魏酸的侧基团。

“高位发热量”(HHV)是指在初始温度25℃、随后燃烧并将燃烧产物温度回复到25℃过程中特定量燃料所释放的热量。HHV也被称为总产发热量或总能量。

“木质素”是指植物细胞的一种多酚聚合物，其具有复杂的、交联的高度芳香化结构。木质素在植物中主要由三种可以不同程度甲氧基化的单木质醇单体(monolignol monomers)合成：作为紫丁香基单元(S)组合入木质素的芥子醇(C₁₁H₁₄O₄)；作为愈创木基单元(G)组合入木质素的松柏醇(C₁₀H₁₂O₃)；以及作为对-羟基苯基单元(H)组合入木质素的p-香豆醇(C₉H₁₀O₂)。这些单体可以通过大量缩合多聚化合成木质素。不同植物品种中的木质素可以具有不同的紫丁香基∶愈创木基∶对-羟基苯基重量百分比(S∶G∶H重量百分比)。例如，某些草的品种可以具有几乎完全由愈创木基(G)构成的木质素。木质素是木本植物细胞的主要结构成分。

“质量闭合”是指所有测量的成分的重量百分比之和。测量的成分的例子包括：浸出物、灰分、蛋白质、总木质素、乙酸、糖醛酸、阿拉伯聚糖、木聚糖、甘露聚糖、半乳聚糖、葡聚糖和淀粉。通常在干重基础上报告成分值。质量闭合是完整的生物质组分分析精确度的一个指标。

“NIR模型”是指在样品近红外(NIR)光谱数据的基础上对样品的一个或多个性质加以预测的一系列经验证的数学方程式。所述的一个或多个性质可以是：转化效率、可利用碳水化合物、顽固性碳水化合物、木质素、S、G或H重量百分比、糖化效率或糖产量(葡萄糖、木糖、阿拉伯糖、甘露糖、半乳糖)、产物抽提/转化效率或产量、生物燃料转化效率或产量、副产物抽提效率或产量、乙醇转化效率或产量、高位发热量(HHV)、固定碳、灰分、C∶H∶O重量百分比、糖化的酶促反应条件(酶种类、比率、载量)、预处理条件、发酵条件、经济价值、阿魏酸和乙酸含量、NOX排放、蛋白质副产物、可持续性指标、和/或以上任何参数与特定转基因序列、遗传标记或遗传位点的相关性。在许多情况下，针对处理步骤(如预处理条件和酶)的每种组合开发不同的NIR模型。

“NIR模型应用软件”是指用于使用一个或多个NIR模型的计算机应用软件。NIR模型应用软件将一种样品的NIR特征表述作为输入接收，并通过应用所述NIR模型对其进行处理以输出对该样品预测性质的表述。NIR模型应用软件也可以包含额外的输入和/或输出模块。例如，一种输入模块可以允许用户指定原料物种、栽培变种、或遗传标记图谱、和/或生化处理可用的酶，从而指导NIR模型应用软件选择最精确的NIR模型。一种输出模块可以允许将所述样品所预测的性质进一步处理成所需的格式。例如，一种输出模块可以将对顽固性碳水化合物和总碳水化合物的表述转换成每英亩原料的乙醇的加仑数或每吨原料的货币价值。

在糖化效率的情况下，对预处理条件和酶的每种组合开发了不同的NIR模型。通常在多个不同波长下获得样品的NIR光谱数据，并将数学方程式应用于所述光谱数据以计算预测值。通过对于相同类型原料样品的光谱数据之间的回归(例如通过多重线性回归、偏最小二乘、或神经网络分析)得到校准方程。

“NOX排放”是指释放入空气中的诸如NO和NO₂的单氮氧化物(NO_x)。虽然氧气和氮气在室温下通常不反应，氧气和氮气可以在较高温度下反应形成各种氮的氧化物，这包括单氮氧化物。单氮氧化物也可以通过燃烧含有氮元素的材料产生。释放到空气中的单氮氧化物(NO_x)可以与不稳定的有机化合物反应产生烟雾。因此，NOX排放可能受到各个政府机构的管制。在相同过程中经常会产生硫的氧化物(SO_x)，尤其是二氧化硫。已知SO_x排放参与酸雨形成。

“果胶”是指具有α-(1-4)-连接的D-半乳糖醛酸残基骨架的多糖，其中包含1，2-连接的L-鼠李糖区域。根据原材料的不同，存在含有阿拉伯糖、木糖和半乳糖的侧链。聚半乳糖醛酸、鼠李糖聚半乳糖醛酸和一些阿拉伯聚糖、半乳聚糖和阿拉伯糖半乳聚糖属于果胶。果胶通常存在于胞间层和植物细胞的初生壁中。

“预测”是在统计学领域内用于通过模型进行判断的不同于直接标定的术语。

“产物”是指由消费者或工业使用的植物生物质处理的最终产品。植物生物质来源的产物包括能量、液体运输燃料、生物燃料、汽车燃料、喷气燃料、乙醇、副产物、生物能源、热能和电流。

“蛋白质”是指通过肽键连接的氨基酸聚合物。一种蛋白质可以包含数以百计的氨基酸。在其生物学活性状态中，蛋白质作为代谢中的催化剂发挥功能，并在某种程度上作为细胞核组织的结构单元。蛋白质可以为动物饲料提供营养价值。通过样品中氮的质量百分比乘以转化系数，可以估计生物质中的蛋白质含量。

“顽固性碳水化合物材料”是指对生物质原料进行处理后没有释放到水相中的单糖和寡糖。它与为糖化过程所选的预处理和酶促糖化条件相关。

“糖化”是指将碳水化合物材料水解为构成该聚合物的单糖和二糖。例如，木聚糖的糖化导致形成木聚糖的单糖成分木糖。糖化发生在生物质在生物炼制中的生化处理过程中，最终导致产生诸如乙醇的生物燃料。

原料样品的“糖化效率”是指通过预处理/酶促糖化过程溶解的单糖和二糖的总量除以生物样品中基于组分分析可以释放的单糖和二糖的理论最大量，乘以100转化成百分数。

“可持续性指标”是指诸如预计的灰分组合物和土壤营养物等可以再生的生物质处理副产物的成分。

“热化学处理”是指通过高温和高压将植物材料转化成液体产物、动力和/或热的非生物学处理。

3.评估植物生物质的NIR模型

3.1原料生化处理的NIR模型

已经发现，可以为光谱数据模式与一种原料的成分和生物燃料转化表现特征具有关联性的复合的木质素纤维素原料开发NIR模型。在这些模型中，在NIR光谱之间建立经验证的数学相关性并使用多变量统计回归方法独立确定化学组成，所述多变量统计回归方法优选主成分分析(PCA)和潜在结构预测(PLS；参见例如Martens H.和Naes T.，多变量标定(Multivariate Calibration)，威利父子公司(Wiley & Sons)，纽约(1989)；HoskuldssonA.，J.Chemometrics，2：211-228(1988)；Geladi P.和Kowalski B.R.，Analytica Chimica Acta，185：1-17(1986)；以及Wold S.等，Chemometrics Intelligent LaboratorySystems，2：37-52(1987))。正确构建的此类模型稳定精确地反映原料样品的真实化学组成和/或生物燃料转化特征。例如，开发了其中获得了PLS方程的被称为SWG_2的NIR模型，它将柳枝稷原料样品的光谱数据直接转化成组成信息。

通常由单一种类的生物质(即草本、阔叶树或针叶树)开发一种NIR模型。通常使用单一物种的生物质(即玉米秸秆、白杨木屑等等)开发一种NIR模型。为了获得不同的成分图谱并从而代表所考察的生物质种类的成分的变化性，从多种不同来源收集样品。例如，可以从不同发育阶段的植物(例如早期生长阶段、中期生长阶段、和完全衰老的植物)收集生物质样品。可以收集代表不同解剖学部位的样品，例如叶、茎和节。可以从遗传学上不同的品种、不同的地理分布和不同的收获年份收集样品。生物质通常是异质材料，按照诸如ASTM方法E1757-01的技术制备生物质样品可以有助于收集代表所述样品的NIR光谱数据。

NIR模型是通过使多种相同类型的植物原料样品经受近红外光谱分析以产生每种样品的NIR光谱数据进行公式化的。使用多变量统计技术鉴定由此获得跨越所有样品所述的变化区间的NIR数据的多种样品的子集。该子集指定为校正集合。将样品的类似的、非重叠集合置于一边作为验证集合。所述校准集合中每种原料样品的成分通过独立的分析化学技术(通常是常规的湿化学技术)进行测量。对于生化处理而言，通常可以用于测量的组分包括但不限于葡聚糖、木聚糖、阿拉伯聚糖、木质素、蛋白质和灰分。对于经过与酶促糖化偶联的预处理的生化处理而言，当用规定的预处理和酶载量条件组合时，可以测量每种原料校准样品的糖化效率。随后通过将光谱数据对于湿化学成分数据和糖化效率数据进行回归(例如通过所述数据的多变量分析和由此产生的确认校正方程)，由光谱数据、湿化学成分数据和糖化效率数据产生NIR模型。虽然数学处理对于一种NIR模型的开发不是必需的，经常采用数学处理以最小化非构成变量。常见的数学处理包括最小化由于路径长度变化和样品中颗粒大小不均一引起的散射作用的散射校正和基线调整。

一旦建立了校正的NIR模型，使用样品的验证集合独立对其加以确认。验证样品的NIR光谱首先用于产生这些样品的成分和转化值。随后使用常规分析技术对所述验证样品进行化学分析，并将NIR值与湿化学分析的值进行比较。如果验证样品的这两组数据在用于获得校正数据的主要方法的标准偏差范围内吻合，即认为该模型得以确认。对于热化学处理，通过热化学技术测量每种原料样品中的高位发热量(HHV)和固定碳的量。随后通过将光谱数据对于化学成分数据和热化学数据进行回归(例如通过数据的多变量分析和由此产生的确认校正方程)，由光谱数据、化学成分数据和热化学数据产生NIR模型。所述模型如上所述进一步验证。

适合于从原料样品收集NIR光谱数据的NIR装置是已知的。FT-NIR(傅里叶变换近红外)光谱法是几种可以以灵敏的、非入侵性且高通量方式提供光谱数据的相关光谱技术之一。FT-NIR分光计使用干涉计，它将光源分为从固定的镜子反射回来的光束和从振荡的镜子反射回来的光束。这两个光束随后重组产生干涉图，并应用傅立叶变换形成光谱。参见例如美国专利5,499,095和6,137,108。NIR装置的例子包括德国BO公司(Bruker Optics，Ettlingen，Germany)的Bruker Optics MPA^TM FT-NIR分光计，，，以及Foss NIR-Systems分光计(丹麦)。可以从美国科罗拉多州分析光谱装置公司(Analytical SpectralDevices，Boulder，Colorado，USA)、佛罗里达州海洋光学公司(Ocean Optics，Dunedin，FL)、马萨诸塞州皮氏公司(Polychromix，Wilmington，MA)和其他厂商处获得野外机动的分光计。

也可以使用实时和近实时装置(参见例如美国专利6,483,583和EP 1 894461 A1)。由可见光和NIR波长(通常在400至2500nm范围内)收集光谱数据。

可以通过已建立的方法确定所选生物质种类的化学成分，例如ASTM方法E1758-01、E1721-01和E1755-01，以及美国能源部/能源效率和可再生能源(DOE/EERE)方法“生物质中蛋白质含量确定”和“生物质中浸出物确定”。Hames等NREL/TP-510-42625，2008年1月，以及Sluiter等NREL/TP-510-42619，2008年1月，这两种方法都可以从国家可再生能源实验室获得。用于确定高位发热量和固定碳的热化学方法可以通过本领域内已知的常规方法确定，例如ASTM方法D5865-07a、D3175-07、D3176-89(2002)和D3172-07a，可以从美国宾西法尼亚州ASTM国际(ASTM International，WestConshohocken，Pennsylvania，US)获得。

通常在多个不同波长下获得样品的NIR光谱数据，并将数学方程应用于所述光谱数据以计算预测值。可以通过相同类型原料样品光谱数据间的回归推导校正方程，例如通过多重线性回归，通过偏最小二乘，或通过神经网络分析。

酶处理条件由所使用的酶的种类以及生物炼制中糖化过程中所使用的每种酶的量所限定。例如酶处理条件可能需要使用诸如

CP(美国吉科公司(Genencor，USA))或Celluclast 1.5L(北卡罗来纳州诺佛赛姆公司(Novozymes，Franklinton，North Carolina))的单一酶制剂。CP和Celluclast 1.5L是含有通过丝状真菌木霉(Trichoderma reesei)深层培养发酵制备的纤维素酶的商品化酶混合物。这些纤维素酶制剂缺乏β-葡萄糖苷酶活性，因此经常对其补充通过黑曲霉(Aspergillus niger)深层培养发酵获得的诸如Novozyme 188的β-葡萄糖苷酶制剂。Novozyme 188由美国明尼苏达州圣路易斯的西格玛公司(Sigma，St.Louis，MO，USA)提供，目录号C6105。也可以针对以下举例的其他酶开发NIR模型：β-1，4-内切葡聚糖酶(EG I，EG II，EG III，及EG V)；β-1，4-纤维素二糖水解酶(CBH I和CBH II)；木聚糖酶(XYNI和XYN II)；β-葡萄糖苷酶；α-L-阿拉伯呋喃糖苷酶；乙酰木聚糖酯酶；β-甘露聚糖酶；以及α-葡萄糖苷酸酶。在一些实施方式中，可以针对包括使用两种类型的酶的酶处理条件开发NIR模型。例如，可以针对包括与木聚糖酶组合使用

CP的酶处理条件开发NIR模型。参见例如美国专利5,874,274；美国专利6,333,181和美国专利公开2007/0092935。在生物质处理中有时使用含有多种酶的酶混合物，这样的混合物在种类和每种酶的数量上各有不同。应当认识到，可以针对每种这样的混合物以及每种类型的生物质开发NIR模型。因此，例如，针对包含使用三种酶(内切-β-(1，4)-葡聚糖酶(EC3.2.1.4)，外切-β-(1，4)-葡聚糖酶(EC3.2.1.91)和β-D-葡萄糖苷酶(EC3.2.1.21))的酶处理条件开发了NIR模型。参见美国专利7,059,993。

生物质处理有时包含酶处理之前的预处理。典型的预处理是稀释的酸热化学预处理，它部分或完全水解半纤维素并也可以水解一些木质素。参见例如美国专利6,090,595。针对这样的过程可以开发NIR模型。因此，在一些实施方式中，产生对酶处理前使用预处理的原料的糖化效率进行预测的NIR模型。

通过已知技术确定糖化转化并计算转化效率。可以对个别的单糖(例如葡萄糖转化效率)、单糖的组合(葡萄糖+木糖转化效率)、或所有单糖计算糖化效率。在具体NIR模型中，对其糖化效率加以计算的单糖和二糖的选择是基于诸如待处理生物质类型、以及转化过程使用可供发酵的全部或仅一些糖类的能力等因素。

一旦已经产生了NIR模型，该模型可以应用于生物质测试样品以快速预测可用于生物燃料生产的参数和性质。例如，通过收集待测原料样品的NIR光谱数据、将与所述样品相同类型的原料中的可利用碳水化合物的NIR模型应用于所述光谱数据、以及在该模型输出的基础上预测检测样品中可利用碳水化合物材料的数量，可以对检测样品中可利用碳水化合物的量进行预测。作为另一种实施例，如这里所述的一种NIR模型通过收集待测原料样品的NIR光谱数据、将与所述样品相同类型的原料中的可利用碳水化合物的NIR模型应用于该光谱数据、以及在模型输出的基础上预测所述样品的糖化效率，允许对原料样品的糖化效率进行预测。应当认识到，可利用碳水化合物材料的量和糖化产量是数学上可相互转换的数值。因此，能够预测一个值的NIR模型可以方便地加以修改以预测另一个值。类似地，可以产生预测原料样品中顽固性碳水化合物材料量(即总的碳水化合物材料和可利用碳水化合物材料之间的差异)的NIR模型。

应当认识到，如果所述原料用第二规定预处理/酶载量条件处理，原料中可利用碳水化合物的量可以不同。因此，由一种特定原料通常产生两个、三个或更多NIR模型，其中每个模型与不同的规定的预处理/酶载量条件相关。

在一些实施方式中，开发了预测规定的预处理和/或酶载量组合下生物质糖化效率的NIR模型。一系列这样的模型可以用于确定具有具体成分分布的原料生物炼制处理的最佳条件。在一些实施方式中，产生针对产物产量或过程收益性进行最优化的生物质处理的预处理/酶载量条件加以预测的NIR模型。例如，可以收集测试原料样品的NIR光谱数据，并将与该样品相同类型的原料中可利用碳水化合物的一个或多个NIR模型应用于所述光谱数据。在模型应用结果的基础上，确定产生所述原料样品最大糖化的预处理/酶载量条件。作为另一实施例，生物炼厂可以在一个原料批次预处理后收集NIR光谱数据，并使用针对此类生物质和不同糖化条件的NIR模型预测平均可利用碳水化合物。随后可以选择最经济或产生最大生物燃料产量的糖化条件。也考虑到了可以在糖化过程中收集NIR光谱数据并在NIR模型中使用以“实时”修改糖化条件，无论所述过程是批次糖化、半连续糖化或连续糖化。因此，生物炼制厂可以针对最大经济产量确定优化生物质处理的预处理条件和/或酶混合物。参见例如美国专利公开2003/0092097。

3.2用于原料的热化学处理的NIR模型

热化学处理条件由生物炼厂反应区中所存在的氧气量、处理温度、以及处理时间限定。根据所选择的条件，热化学处理导致1)生物质聚合物完全降解为一氧化碳(CO)和氢气(H₂)(即合成气)，这一过程称为气化；或2)生物质聚合物部分分解为热解油，这一过程称为热解。在杂合热化学过程中，由经受诸如凯伍产醋菌(Acetogenium kivui)，伍氏醋酸杆菌(Acetobacterium woodii)，潮湿厌氧醋菌(Acetoanaerobium noterae)，醋酸梭菌(Clostridium aceticum)，食甲基丁酸杆菌(Butyribacterium methylotrophicum)，丙酮丁醇梭菌(Clostridium acetobutylicum)，热乙酸梭菌(Clostridium thermoaceticum)，淤泥真杆菌(Eubacterium limosum)，扬氏梭菌PETC(Clostridium ljungdahliiPETC)，扬氏梭菌ERI2(Clostridium ljungdahlii ERI2)，扬氏梭菌C-01(Clostridium ljungdahlii C-01)，扬氏梭菌O-52(Clostridium ljungdahlii O-52)，和产生消化链球菌(Peptostreptococcusproductus)的厌氧或兼性产乙酸菌发酵的合成气或炉煤气生产生物燃料。参见例如美国专利7,285,402，美国专利公开20070275447和20080057554，以及Datar等(2004)Biotechnology andBioengineering，86卷，第5期，587-594。

例如，一种热化学处理条件可以是使用用于热解的流化床反应器，其中生物质在无氧条件下在反应器中热解，随后为了提供氢气和适当量的氧气以进行气化，通过多步骤工艺导入蒸汽，将热解蒸气气化成合成气。通过燃烧炭为这一过程提供热能。作为另一个实施例，一种热化学处理条件可以使用螺杆螺旋反应器，在热解阶段向其中导入湿气(并从而导入氧气)。通过燃烧热解阶段产生的一些气体为该过程提供热能。在另一实施例中，一种热化学处理条件可以使用流化床反应器和单级气化反应器，其中在气化过程中以气流方式导入外部蒸气和空气。

可以以与针对生化过程所述的类似方式针对热化学过程开发NIR模型。与生化过程相似，在热化学处理前有时进行预处理，并且也可以为这样的程序开发NIR模型。参见例如美国专利4,982,027。因此，在一些实施方式中，在预处理与具体热化学处理条件共同使用的情况下，形成预测原料的热化学处理效率的NIR模型。

一旦产生了NIR模型，该模型可以应用于生物质测试样品以快速预测可以用于生物燃料生产或热/电产生的各种参数和特征。例如，通过收集待测原料样品的NIR光谱数据，将与该样品相同类型的原料中固定碳的NIR模型应用于所述光谱数据，并在模型输出的基础上预测测试样品中的固定碳量，可以预测测试样品中的固定碳的量。作为另一实施例，通过收集待测原料样品的NIR光谱数据，将与该样品相同类型的原料中的固定碳的NIR模型应用于所述光谱数据，并在模型输出的基础上预测所述样品中不稳定材料的量，这里所述的一种NIR模型允许对一种原料样品的热解效率/产量进行预测。应当认识到，固定碳量和不稳定材料量是数学上可以互相转换的值。因此，能够预测一个值的NIR模型可以方便地进行修改以预测另一个值。这些值可以随后与原料的能量含量相关联，以预测该原料热化学处理时的热、电或生物燃料产量和/或转化效率。

在一些实施方式中，开发了在确定的热化学处理条件下预测生物质气化产物产量的NIR模型。这样的模型可以用于具有具体成分分布的原料的生物炼制处理的产物产量预测。例如，可以收集测试原料样品的NIR光谱数据，并将与该样品相同类型的原料中固定碳的一个或多个NIR模型应用于所述光谱数据。在所述模型应用结果的基础上，确定产生所述原料样品最大气化的热化学处理条件。作为另一实施例，生物炼厂可以收集一个原料批次预处理后的NIR光谱数据，并使用针对此类生物质和不同热化学处理条件的NIR模型预测平均产物产量和/或转化效率。随后可以选择最经济和/或最有效率(例如产生最大生物燃料产量)的热化学处理条件。也考虑到可以在气化过程中收集并在NIR模型中使用NIR光谱数据以“实时”修改热化学处理条件。因此，生物炼厂可以鉴定针对最大经济产量最优化生物质处理的预处理条件和/或处理条件。

3.3用于原料的热和电处理的生物质的NIR模型

热化学处理条件受生物炼厂反应区中存在的氧气量、处理温度和处理时间的限定。根据所选的条件，热化学处理导致1)生物质聚合物完全降解为一氧化碳(CO)和氢气(H₂)(即合成气)，该过程称为气化；或2)生物质聚合物部分分解为热解油，该过程称为热解。为产生电和热而设计的热化学过程采用前一种(即合成气)方法。产生合成气后，氢气与其他不燃气体分离并燃烧产生额外热量，其用于为制造电流的蒸汽发电机提供燃料，这与现代燃煤的电力公司中目前运行的方式极其类似。

对于这些过程，HHV和固定碳是与原料质量相关的重要参数。如章节3.2中所述，建立并验证了评估这些参数的NIR模型。

4.用于NIR模型的原料

如上所述，针对用于单一类型的生物质开发了NIR模型。因此，无论是草本、阔叶木或针叶木类型，可以对已知或预期可以用于生产诸如乙醇的燃料的单子叶植物和双子叶植物产生NIR模型。以下家族的物种是已知或预计可以使用的：爵床科(Acanthaceae)，葱科(Alliaceae)，六出花科(Alstroemeriaceae)，石蒜科(Amaryllidaceae)，夹竹桃科(Apocynaceae)，槟榔科(Arecaceae)，紫菀科(Asteraceae)，小檗科(Berberidaceae)，红木科(Bixaceae)，十字花科(Brassicaceae)，凤梨科(Bromeliaceae)，大麻科(Cannabaceae)，石竹科(Caryophyllaceae)，三尖杉科(Cephalotaxaceae)，藜科(Chenopodiaceae)，秋水仙科(Colchicaceae)，葫芦科(Cucurbitaceae)，薯蓣科(Dioscoreaceae)，麻黄科(Ephedraceae)，古柯科(Erythroxylaceae)，大戟科(Euphorbiaceae)，豆科(Fabaceae)，唇形科(Lamiaceae)，亚麻科(Linaceae)，石松科(Lycopodiaceae)，锦葵科(Malvaceae)，黑药花科(Melanthiaceae)，芭蕉科(Musaceae)，桃金娘科(Myrtaceae)，蓝果树科(Nyssaceae)，罂粟科(Papaveraceae)，松科(Pinaceae)，车前科(Plantaginaceae)，禾本科(Poaceae)，蔷薇科(Rosaceae)，茜草科(Rubiaceae)，杨柳科(Salicaceae)，无患子科(Sapindaceae)，茄科(Solanaceae)，红豆杉科(Taxaceae)，山茶科(Theaceae)，或葡萄科(Vitaceae)。适当的属包括黑黍属(Panicum spp.)，高粱属(Sorghumspp.)，芒属(Miscanthus spp.)，甘蔗属(Saccharum spp.)，蔗茅属(Erianthusspp.)，柳属(Salix spp.)，桉属(Eucalyptus spp.)和杨属(Populus spp.)。因此，适当的植物物种包括Panicum virgatum(柳枝稷)，Sorghum bicolor(甜高粱，苏丹草)，Miscanthus giganteus(芒草)，Saccharum sp.(能源甘蔗)，Populusbalsamifera(白杨木)，其他白杨物种及其杂交种，Zea mays(玉米)，Glycine max(大豆)，Brassica napus(油菜)，Brassica juncea(芸苔)，Triticum aestivum(小麦)，Gossypium hirsutum(棉花)，Oryza sativa(稻)，Helianthus annuus(向日葵)，Medicago sativa(苜蓿)，Beta vulgaris(甜菜)，Pennisetum glaucum(珍珠稷)，Andropogon gerardii(大须芒草)，Pennisetum purpureum(象草)，Phalarisarundinacea(草芦)，Cynodon dactylon(狗牙根)，Festuca arundinacea(高羊茅)，Spartina pectinata(草原大米草)，Arundo donax(巨人芦苇)，Secale cereale(黑麦)，Triticosecale(小麦X黑麦)，Carthamus tinctorius(红花)，Jatropha curcas(麻风树)，Ricinus communis(蓖麻)，Elaeis guineensis(油棕)，Linum usitatissimum(亚麻)，或Manihot esculenta(木薯)。

5.NIR模型参数和应用

如以下更详细解释的，NIR模型可以用于各种不同的应用。例如，NIR模型可以在针对以下目的的方法中使用：预测原料成分，生物燃料转化特征，在可利用的生化和/或热化学处理方法中选择，选择用于处理的原料，选择处理方式，从种群中选择个体植株，植物培育，原料估价，定义最优化处理条件，针对过程调整的实时分析和反馈，预测生物燃料产量，预测产物产量，管理生物炼厂运作，管理生物炼厂供应链，以及影响生物炼厂设计。NIR模型可以让用户以各种方式加以利用，如计算机应用软件或设备固件。

5.1预测成分

本发明的一些方面涉及用于预测原料成分的方法，所述成分如总碳水化合物、可利用碳水化合物、顽固性碳水化合物、葡聚糖、木聚糖、阿拉伯聚糖、甘露聚糖、半乳聚糖、木质素、阿魏酸、乙酸、氮、蛋白质、固定碳、灰分、以及元素成分含量。此外，可以预测木质素亚单位量(S∶G∶H重量百分比)、碳∶氢∶氧(C∶H∶O)重量百分比、和高位发热量。所有这些成分参数可以与具体的转基因序列、天然序列多态性、遗传标记、或遗传位点相关联或联系。因此，收集生物质样品的NIR光谱并在NIR模型中使用。其结果可能是对一个或多个原料成分性质、可能有助于预测原料成分的一个或多个中间值、或受原料成分影响的一个或多个下游参数的直接预测。成分的预测可以用于计算一种或多种感兴趣的处理方法中原料表现特征。这样的表现特征包括糖化效率或糖产量(葡萄糖、木糖、阿拉伯糖、甘露糖、半乳糖)、各种用于糖化的酶条件(类型、比率、载量)、预处理条件、总的或净的能量产量或能量转化效率、生物能源产量或转化效率、生物燃料产量或转化效率、副产物产量或提取/转化效率、原始原料的经济价值、NOX排放、蛋白质副产物、或可持续性指标。

5.2预测转化

本发明的一些方面涉及预测原料转化效率的方法。转化效率可以按照实验室、中试或生产规模过程中生物质原料转化为游离糖、可发酵糖、合成气、生物燃料、乙醇、热或能量进行计算。相应的转化效率参数依赖于所采用的转化过程的类型(生化、热化学过程产生生物燃料，或热化学过程产生热和电)。所有这些转化参数可以与具体的转基因序列、天然序列多态性、遗传标记或遗传位点相关联或联系。因此，收集生物质样品的NIR光谱并由NIR模型加以解释。其结果可以是对原料转化性质(如游离糖或可利用碳水化合物)、可能有助于预测原料转化性质的一个或多个中间值(如顽固性碳水化合物)、或受原料转化效率影响的一个或多个下游参数(如生物燃料或能量产量)的直接预测。转化性质的预测可以用于计算一种或多种感兴趣的处理方法中的原料表现特征。这样的表现特征包括糖化效率或糖产量(葡萄糖、木糖、阿拉伯糖、甘露糖、半乳糖)、糖化的各种酶条件(类型、比率、载量)、预处理条件、总的或净的能量产量或能量转化效率、生物燃料产量或生物燃料转化效率、生物能源产量或生物能源转化效率、副产物产量或提取/转化效率、原始原料的经济价值、NOX排放、蛋白质副产物、或可持续性指标。

5.3选择原料(物种和/或品种)

本发明的一些方面涉及对于生物质原料而言具有所需成分或转化特征的植物物种选择的方法。因此，收集生物质样品的NIR光谱并通过NIR模型解释以预测所考察的不同植物物种的成分或转化特征、或产物或生物燃料产量。与所考察的具体转化过程相关的成分或转化特征、或产物或生物燃料产量的比较有助于选择特别适于在该过程中使用的生物质原料。所选择的植物物种可以对过程需要较少的资源(热、能量、试剂、酶、催化剂)，产生更多产物(生物燃料、生物能源、热、电或副产物)，从而提高将植物生物质转化为产物的过程的经济性。也可以通过检测与所需的成分或转化特征、或产物或生物燃料产量相关的具体转基因序列、天然序列多态性、遗传标记或遗传位点选择所需的物种。

本发明的一些方面涉及选择具有所需成分或转化特征的植物生物质原料的品种、栽培变种、自交系、杂交系、家系或基因型的方法。因此，收集生物质样品的NIR光谱并由NIR模型解释以预测所考察的植物品种、栽培变种、自交系、杂交系、家系或基因型的成分或转化特征。与所考察的具体转化过程相关的成分或转化特征的比较可以有助于选择特别适合用于该过程的生物质原料。所选的品种、栽培变种、自交系、杂交系、家系或基因型可以对过程要求较少的资源(热、能量、试剂、酶、催化剂)，产生更多的产物(生物燃料、生物能源、热、电、能量或副产物)，从而提高将原料转化为产物的过程的经济性。也可以通过检测与所需成分和转化特征相关的具体转基因序列、天然序列多态性、遗传标记、或遗传位点选择品种、栽培变种、自交系、杂交系、家系或基因型。在生物质成分和/或转化特征中赋予所需改变的具体转基因序列可以通过使用如这里所述的NIR模型对含有这些转基因的模式植物进行筛选加以鉴定。适当的模式植物包括但不限于拟南芥属(Arabidopsis)、短柄草属(Brachypodium)和水稻。

5.4从种群中选择

本发明的一些方面涉及从具有所需成分或转化特征的一种植物生物质原料的品种、栽培变种、自交系、杂交系、家系、或基因型的遗传上多样的种群中选择个体的方法。因此，收集个体植物生物质样品的NIR光谱并由NIR模型解释以预测所考察个体的成分或转化特征。遗传上多样的种群中个体之间感兴趣的成分或转化特征的比较可以有助于选择尤其适合于能量生产体系的生物质的独特基因型。所选的个体可以有性或无性繁殖以开发新的品种、栽培变种、自交系、杂交系、家系、或基因型，它们可以对过程要求较少的资源(热、能量、试剂、酶、催化剂)，产生更多的产物(生物燃料、生物能源、热、电、能量、或副产物)，从而提高将原料转化为产物的过程的经济性。所选的个体可以用作遗传杂交或多系杂交中的亲本以开发新的品种、栽培变种、自交系、杂交系、家系、或基因型，它们可以对过程要求较少的资源(热、能量、试剂、酶、催化剂)，产生更多的产物(生物燃料、生物能源、热、电、能量、或副产物)，从而提高将原料转化为产物的过程的经济性。

5.5植物选育

本发明的一些方面涉及对具有会使其作为专门的生物燃料原料更具价值的所需成分或转化特征的植物选育的方法。因此，收集选育种群中个体植物生物质样品的NIR光谱并由NIR模型解释以预测成分或转化特征。NIR模型可以用于选择预测为具有与转化效率相关的所需特征的选育植物。转化效率可以按照实验室、中试、或生产规模过程中的糖化效率、生物质原料转化为游离糖、可发酵糖、合成气、生物燃料、乙醇、热、能量、或产物加以计算。相关的转化效率参数依赖于所采用的转化过程类型(生化、热化学过程产生生物燃料，或热化学过程产生生物能源、热和电)。成分特征包括总碳水化合物、可利用碳水化合物、顽固性碳水化合物、葡聚糖、木聚糖、阿拉伯聚糖、甘露聚糖、半乳聚糖、木质素、阿魏酸、乙酸、氮、蛋白质、固定碳、灰分、和元素成分含量或产量。此外，可以预测紫丁香基∶愈创木基∶对-羟基苯基(S∶G∶H重量百分比)、碳∶氢∶氧(C∶H∶O)重量百分比、和高位发热量(HHV)。所有这些转化和成分参数可以用于通过标记辅助育种方法加速植物选育过程的具体的转基因序列、天然序列多态性、遗传标记、遗传位点相关联或联系。选择具有所需生物质成分或转化特征的的育种亲本可以与标记辅助育种联合使用，导致用作专门的生物能量原料的优质种质的加速开发。

本发明的一些方面涉及当用于生物质至燃料、生物能源、或能量的处理系统中时，允许对糖化有利的酶促条件(类型、比率、载量)、有利的预处理条件、经济价值、NOX排放、蛋白质副产物、可持续性指标的植物选育的方法。具有以上所需生物质特征的育种亲本的选择可以与标记辅助育种联合使用，这导致用作专门的生物能量原料的优质种质的加速开发。

因此，一种植物品种选育的方法包括将两个或更多亲本生物质植物杂交并选择与至少一个亲本的糖化效率相比具有更高糖化效率的杂交后代。

适用于植物选育程序的技术是本领域内已知的，包括但不限于回交、多系杂交、混合选择、纯种繁育、集团选择、与另一种群杂交并再次选择。在选育程序中，这些技术可以单独使用或与其他一种或多种技术组合使用。

最初杂交中使用的植物数量的选择是建立在方法中所使用物种的生物学性质和适合于该物种的选育程序的基础上的。上述任何单子叶和双子叶植物可以用于这里所述的选育程序。诸如柳枝稷、高粱或苏丹草、芒草、能源甘蔗、白杨、玉米、木薯、大豆、油菜、红花、麻风树、蓖麻、棕榈、黑小麦、小麦、棉花、水稻、向日葵、苜蓿、甘蔗、甜菜、高羊茅、芦苇、草原大米草、百慕大草、象草、大须芒草、巨人芦苇、黑麦、亚麻、或珍珠稷尤其适合。可用于各种生物质物种的选育技术是本领域内已知的。参见例如Allard，《植物育种原理》Principles of Plant Breeding，约翰威利父子公司(John Wiley & Sons，Inc.)(1960)；Simmonds，《农作物改良原理》Principles of Crop Improvement，朗曼有限公司(Longman Group Limited)(1979)；以及Jensen，《植物育种方法学》Plant Breeding Methodology，约翰威利父子公司(1988)。可用于诸如柳枝稷的天然授粉物种的选育技术是已知的。参见例如Vogel和Jung，Critical Rev.Plant Sci.20：15-49(2001)。

筛选那些具有更高可利用碳水化合物水平的亲本植物的杂交后代。可以筛选的后代包括子代F₁，F₂，F₃，F₄，F₅，F₆和随后一代植物BC₁，BC₂，BC₃，和随后一代植物，或F₁BC₁，F₁BC₂，F₁BC₃，以及随后一代植物。因此，选择步骤可以包括收集一个或多个子代植物中每一个原料样品的NIR光谱数据，应用与所述样品相同类型的原料中可利用碳水化合物的NIR模型，以及预测所述样品的糖化效率。选择那些与至少一个亲本植物的预测糖化效率相比具有预测提高的糖化效率的子代进行进一步选育。

使用来自NIR模型的可利用碳水化合物预测水平的选择可以从F₁代子代开始，或可以从随后一代的子代开始。例如，一种天然授粉的种群可以采用包含子代测试的选择程序。用于柳枝稷的包含子代测试选育程序的选择的例子包括限制性表型轮回选择(RRPS)和之间和半同胞家系内选择(B&WFS)。另外，可以使用混合选择程序。在混合选择中，挑选所需个体植物，收集种子，并将未检测的复合种子用于产生下一代。由于选择仅基于母系亲本，并且没有对授粉的控制，混合选择等于随机交配与选择的形式。混合选择通常增加种群中所需基因型的比例。柳枝稷可以用于这些程序中的任何一种，虽然包含子代测试的选择通常优于混合选择。

另外，天然授粉物种的植物可以用作最初杂交中的亲本以产生合成品种。合成品种是通过几个亲本植物杂交产生的。用于产生合成品种的亲本植物品种、种群、野生种质、生态型等等的数量可以在10至500范围内。通常，约100至300个品种、种群等等用作亲本以产生一个合成品种。根据经受如这里所述的选择之前亲本区中生产的种子数量，来自合成品种的亲本种子生产区的种子可以随后经历一代或两代繁殖。

可以对一个或多个世代、以及/或在一个以上的地理位置中进行选择和/或筛选。此外，可以在预计所述植物展现所述表型的特定发育阶段过程中进行选择和/或筛选。可以进行选择和/或筛选以挑选那些相对于对照植物或对照种群的平均值具有统计学显著差异水平的可利用碳水化合物材料的植物。

另一方面，这里所述的NIR模型可以用于鉴定那些具有更高糖化转化效率的植物种群成员。例如，将来自不同种质的植物的集合或一个合成种群作为所提供的一个生物质植物种群。使用NIR模型筛选所述种群中的植物生物质样品，以确定该种群的平均糖化效率。随后可以鉴别相对于平均值具有较高糖化效率的该种群中的一种或多种植物。具体地说，随后通过有性或无性技术繁殖具有统计学上显著较高糖化效率的植物。这样的植物可以进一步评估其对不同地理位置中商业化生产的适用性，或用于如这里所述的选育程序。

另一方面，这里所述的NIR模型可以用于鉴定一种或多种遗传多态性是否与可利用碳水化合物水平的差异相关的方法。这样的方法涉及确定一个具体种群中的遗传多态性是否表现出与该种群的植物中可利用碳水化合物预测水平的关联。如果一个具体等位基因的存在与预测的可利用碳水化合物水平中的所需差异在统计学上显著相关，该等位基因与所述特征的差异有关，并可以用作该特征的标记。另一方面，如果一个特定等位基因的存在与所需变化不显著相关，该等位基因与所述特征的变化无关，并且不用作标记。

可以在这样的方法中使用的遗传多态性包括简单重复序列(SSR，或微卫星)、快速扩增多态性DNA(RAPD)、单核苷酸多态性(SNP)、扩增片段长度多态性(AFLP)和限制性片段长度多态性(RFLP)。通过例如制造序列特异性探针并通过PCR扩增来自感兴趣的种群中的个体的模板DNA，可以鉴定SSR多态性。如果探针与种群中SSR的侧面相接，会产生不同大小的PCR产物。参见例如美国专利5,766,847。另外，将PCR产物用作针对来自种群中不同个体的Southern印迹的探针，可以鉴定SSR多态性。参见U.H.Refseth等，(1997)Electrophoresis 18：1519。例如在Alonso-Blanco等(《分子生物学方法》(Methods in Molecular Biology)，82卷，“拟南芥实验方案”“ArabidopsisProtocols，”137-146页，J.M.Martinez-Zapater和J.Salinas主编，1998，HumanaPress，Totowa，NJ)；Burr(《用重组自交系绘制基因图谱》“Mapping Genes withRecombinant Inbreds”，249-254页，Freeling，M.和V.Walbot主编，《玉米手册》(The Maize Handbook)，1994，纽约SV公司(Springer-Verlag New York，Inc.：New York，NY，USA)；德国柏林；Burr等，Genetics(1998)118：519；以及Gardiner，J.等，(1993)Genetics 134：917中探讨了RFLP的鉴定。在例如EP 0 534858和美国专利5,878,215中探讨了AFLP的鉴定。

如以上所述鉴定的遗传多态性可以在标记辅助育种程序中使用以帮助开发具有更高水平可利用碳水化合物材料的家系。一旦适当的遗传多态性被鉴定为与所述特征的差异有关，具有与所需差异相关的多态性等位基因的一种或多种植物个体得到了鉴定。随后将这些植物用于选育程序以与可能存在的任何与所需特征相关的其他位点上的多个其他等位基因组合。可以根据需要进行多个世代的所述选育程序以实现所获得的保留所述多态性等位基因的植物品种或种群中所需要的一致性和稳定性。在大部分选育程序中，会在每一代中进行具体多态性等位基因的分析，虽然如果需要的话，可以交替进行分析。

通过这里所述方法获得的植物品种和种群通常相对于对照具有通过适当参数或非参数统计(例如卡方检验、斯氏t检验、曼-怀二氏检验、或F-检验)的p≤0.05的统计学上显著更高水平的可利用碳水化合物材料。在一些实施方式中，可利用碳水化合物材料数量的差异为统计学显著性p＜0.01，p＜0.005，或p＜0.001。

有些情况下，也进行针对其他有用特征的选择，例如，选择真菌顽固性或耐旱性。可以在对具有所需水平可利用碳水化合物的植物个体鉴定之前、过程中、或之后进行这样的其他特征的选择。

5.6产物产量

本发明的一些方面涉及预测生物质原料的产物产量的方法。源自生物质原料的相关产物包括能量、液体运输燃料、生物燃料、汽车燃料、喷气机燃料、乙醇、副产物、生物能源、热和电。可以对实验室、中试、或生产规模过程预测产物产量。因此，收集生物质样品的NIR光谱并由NIR模型解释。其结果可以是对一种或多种产物产量或可以与产物产量相关联的一个或多个中间值的直接预测。针对由实验室规模的数据产生的产物产量的NIR模型可以用于预测生产规模装置中的表现。产物产量的预测可以用于管理生物炼厂或生物能源产生的操作、选择用于处理的优选原料、对交付的原料进行估价、预定和计划生产、以及管理供应链。产物产量的预测可以用于选择最具生产性的植物物种、品种、种群、或植物个体。以此方式选择的植物个体可以导入选育程序以产生具有改进的产物产量的新的品种、栽培变种、自交系和杂交系。

5.7生物燃料产量

本发明的一些方面涉及对来自生物质原料的生物燃料产量加以预测的方法。生物燃料在以上进行了定义并包括乙醇、丁醇、生物柴油、合成气、和混合烷烃。可以对实验室、中试、或生产规模的过程预测生物燃料产量。因此，收集生物质样品的NIR光谱并由NIR模型解释。其结果可以是对生物燃料产量或可以与生物燃料产量相关联的一个或多个中间值的直接预测。针对由实验室规模数据产生的生物燃料产量的NIR模型可以用于预测生产规模装置中的表现。对生物燃料产量的预测可以用于管理生物炼厂运作、选择用于处理的优选原料、对交付的原料进行估价、预定和计划生产、以及管理供应链。对生物燃料产量的预测可以用于选择最具生产性的植物物种、品种、种群、或个体。以此方式选择的个体可以导入选育程序以产生具有改进的生物燃料产量的新的品种、栽培变种、自交系和杂交系。

5.8原料估价(评级)

本发明的一些方面涉及对植物生物质原料确定经济价值的方法。因此，收集植物生物质样品的NIR光谱并由NIR模型解释以预测已知对具体过程有利的成分或转化特征、或直接或间接预测生物燃料或产物产量。一种原料的价值可以通过预测显示这样的原料的处理需要的资源(热、能量、试剂、酶、催化剂)减少从而提高整体经济性的该原料的成分或转化特征加以确定。对来自植物生物质原料的产物或生物燃料产量的预测可以用于直接预测通过处理该原料产生的收入。针对其原料随后支付给农民、批发商、经纪人或植物生物质原料的其他贸易商的价值于是可以直接受到所生产的产品的价值和生产成本的影响。可以在生物炼厂或生物能源发电厂门口实现对原料的估价。随着植物生物质的有轨车、卡车、或驳船到达等候处理，获取NIR光谱并由NIR模型解释以在所述过程的整体经济性的基础上确定价值。

5.9确定处理成本

本发明的一些方面涉及确定将一种植物生物质原料转化为产物的成本的方法。可以同时确定与多种交替的过程相关的成本。因此，收集植物生物质样品的NIR光谱并由NIR模型解释以预测成分或转化特征、或产物或生物燃料产量。这些结果随后用于计算与通过交替方法处理该生物质相关的经济性。对处理成本经济性的预测可以允许决定如在一具体过程中一种原料何时最具生产性。例如，可以由NIR模型解释一种生物质原料的NIR光谱以预测木质素含量。可以为热化学燃烧过程选择具有高于特定木质素含量的原料以为生物炼制产生热和电，而低于该特定木质素含量的生物质样品用于生化过程以产生生物燃料。

5.10确定处理条件

本发明的一些方面涉及确定用于将一种植物生物质原料转化为一种或多种产物的条件的方法。可以同时确定与多种交替过程相关的参数。因此，收集植物生物质样品的NIR光谱并由NIR模型解释以预测成分或转化特征。这些结果随后用于计算与将所述生物质加工成产物或生物燃料相关的重要经济学参数(热、能量、时间、试剂、酶、催化剂和原料载量)。处理条件的预测可以允许决定在一具体过程中优化所述参数以最小化处理成本，从而提高生物炼制的经济性。例如，可以由NIR模型解释一种生物质原料的NIR光谱以预测可利用碳水化合物。可以为加速的预处理方案选择具有高于特定可利用碳水化合物水平的原料，而低于该特定可利用碳水化合物水平的生物质样品通过更高成本和时间消耗的过程进行处理。

5.11实时分析和反馈

本发明的一些方面涉及对生物质向产物转化过程进行监测的方法。植物生物质向生物燃料和产物的转化是一个多步骤过程。该过程中以及每个步骤上发生的化学变化对后续步骤具有潜在影响。可以在这一多步骤过程的步骤中、步骤之间或步骤之后确定生物质、预处理的生物质、糖化混合物、发酵混合物、合成气和其他中间体的成分特征。因此，收集生物质、糖化混合物、发酵混合物、合成气和其他中间体的NIR光谱并由NIR模型解释以预测成分或转化特征。这些结果随后用于计算在该过程中的当前或后续步骤中与将该生物质加工成产物(例如生物燃料)相关的重要经济学参数(热、能量、时间、试剂、酶、催化剂、和原料载量)。对处理条件的预测可以允许决定优化具体过程中的所述参数以最小化处理成本，从而提高生物炼制的经济性。

5.12原料和生物炼厂管理

如这里所述开发的NIR模型也可以与管理原料生产和供应、以及/或管理生物炼厂运作和经济状况的方法相结合。在一些实施方式中(其实施例如图9所示)，使用NIR光谱计104从待测原料样品102收集NIR光谱数据106。将与所述样品相同类型的原料中可利用碳水化合物的NIR模型110应用于所述光谱数据，并在该应用步骤结果的基础上预测该原料样品的糖化效率112。所预测的糖化效率112随后进入可被诸如生物炼厂的原料处理器(表示为服务器116)利用的作物检索系统114。除了预测的糖化效率112之外，该作物检索系统114可以包含各种数据，例如天气数据、天气分析、种植数据、产量数据和收获信息。通过访问作物检索系统114中的此类信息，原料处理器116能够更好地管理原料资源、工厂运行和产品销售。例如，利用柳枝稷作为生物质来源的原料处理器116可以在收入大量预测具有特别高的糖化效率的生物质的情况下，减少对生物质的需求。能够访问作物检索系统114的处理器116可以考虑到预测的糖化效率112、以及诸如预期收获时间和生产者与生物炼厂之间的地理距离等因素，以更有效地管理炼制运作。在有些情况下，根据原料处理器116所设定的原料质量规范，对原料102进行进一步分类，并在原料分类118的基础上向原料102的生产者122支付具体的价格120。例如，原料处理器可以为具有较高预测糖化效率的生物质设定较高的价格，但也在生产者与生物炼厂间距离的基础上对该价格进行修改。在一些情况下，生产者122可以接受或拒绝该价格124。

通常，上述方法在设置为接受从待测原料样品收集的NIR光谱数据的计算机系统中执行，其一个实施例如图10中所示。这样的系统通常包含与所述原料样品相同类型原料中可利用碳水化合物的NIR模型212，从而使得可以在应用NIR模型212的基础上预测所述原料样品的糖化效率214。随后输出所预测的糖化效率214以供作物检索系统216使用。在一些实施方式中，这样的计算机执行的方法包括在作物检索系统216中接收原料102的预测糖化效率214。原料102在所述计算机系统中与提供该原料的生产者222相联系。随后在所预测的糖化效率214和作物检索系统216中的其他信息的基础上，确定供应链分布，并且将该供应链分布以原料处理器可利用的形式(显示为服务器220)输出218。原料处理器220随后可以向生产者222发送指令，生产者可以确认收到这样的指令224并可以按照这些指令发送原料102。

可以用于这样的方法的系统包括用于从原料样品接收NIR光谱数据的界面、与所输出的原料样品相同类型原料中可利用碳水化合物的NIR模型、在应用该NIR模型基础上预测的所述原料样品的糖化效率。将所述作物检索系统设置为对与所述原料样品相同类型的原料确定生物质质量。

本发明也涉及对来自合并的生物处理和热化学处理条件的生物燃料产量进行预测的方法。该方法不仅可以用于预测来自生物质的生物燃料产量，而且可以用于在植物培育程序中选择适当的品种以及对原料处理器所接收的生物质进行评价。这样的方法包括从待测原料样品收集NIR光谱数据。将与所述样品相同类型原料的HHV和/或固定碳的NIR模型应用于所述光谱数据，从而在所述应用步骤结果的基础上确定所述原料样品的HHV和/或固定碳。也将与所述样品相同类型原料中可利用碳水化合物的NIR模型应用于所述光谱数据并在所述应用步骤结果的基础上预测所述原料样品的糖化效率。随后在应用所述NIR模型的结果的基础上，预测由所述原料样品产生确定的生物燃料产量的合并的生化和热化学处理条件。

5.13供应链管理

本发明的一些方面涉及为生物炼厂或生物能源发电站提供植物生物质原料的供应链管理的方法。关于生物质作物最佳收获时间、运输距离和时间、预测的处理时间、和预测的产物或生物燃料产量的知识将允许足够原料的准时发送以确保生物炼厂或生物能源发电站以最优效率运行。因此，收集植物生物质样品的NIR光谱并由NIR模型解释以预测已知对于一种具体过程而言有利的成分或转化特征，或直接或间接预测生物燃料或产物产量。这一信息可以从生长多种作物并由多个栽培者生产的多块田地中收集。植物生物质原料的成分或转化特征、或产物或生物燃料产量的预测可以在实地进行以确定最佳收获时间。穿越多块田地的最佳收获时间的预测可以使得收获相协调，从而为农夫和生物炼厂带来最大价值。收获时间与运输距离和时间相协调也可以使得原料“准时”发送，从而降低生物炼厂所需的库存储备量。此外，对成分或转化特征的预测以及对生物燃料或产物的直接或间接预测可以使得生物炼厂或生物能源发电站操作员在任何时间管理所处理的原料的数量和质量，以确保可信赖地实现生产目标和定额。如上所述，NIR检测和参数预测可以在田间开始，但也可以用于当生物质原料的卡车、轨道车或驳船进入生物炼厂时，并且当所述材料进入处理过程时和在处理过程中继续进行。

5.14可持续性指标

本发明的一些方面涉及通过监测存在于收获的植物生物质中的氮、硫、磷、钾、钙、硅、锰、铁、锌、氯、硼、和其他微量养料预测一种植物生物质生产系统的可持续性的方法(参考：《植物生物化学与分子生物学》Biochemistry andMolecular Biology of Plants，Buchanan，Gruissem，Jones主编，ASPB出版社(ASPB Press)，2000，1205页)。因此，收集植物生物质样品的NIR或拉曼光谱并由NIR或拉曼模型解释以预测元素成分。使用诸如原子吸收(AA)和电感耦合等离子(ICP)光谱法等方法的生物质材料分析可以直接测量元素成分，其随后可以与NIR和拉曼光谱特征相关联以建立用于预测这些参数的NIR或拉曼模型。所收获植物生物质中的元素水平预测可以用于监测某些元素和微量养料从土壤中流失的数量和速度，以及因此这些元素必须加以替代的数量和速度。这一知识可以用于作出作物管理决定，诸如决定作物轮作或合作种植。这一知识也可以用于确定后续年份中对土地使用肥料的数量和成分，以确保可持续的生产系统。

5.15NOX排放

本发明的一些方面涉及在具体的生物炼厂或生物能源发电站中对与植物生物质原料的处理相关的NOX、SOX和其他温室气体排放进行预测的方法。原料的氮、硫和其他元素成分可以用于预测处理时产生的排放。因此，收集植物生物质样品的NIR或拉曼光谱并由NIR或拉曼模型解释以预测元素成分。使用诸如原子吸收(AA)和电感耦合等离子(ICP)光谱法等方法的生物质材料分析可以直接测量元素成分，其随后可以与NIR和拉曼光谱特征相关联以建立用于预测这些参数的NIR或拉曼模型。对所收获植物生物质中元素水平的预测可以用于监测不同条件下处理所述植物生物质时某些元素释放到大气中的数量和速度。这一知识可以用于进行原料供应管理决策。由于对某些排放会征税，诸如在生物炼厂或生物能源发电站使用的植物生物质原料的选择或为一种植物生物质原料所支付的价格可以受到对NOX、SOX、和其他温室气体排放的预测的影响。

5.16蛋白质和其他副产物

本发明的一些方面涉及预测来自生物炼厂中所使用的植物生物质原料的蛋白质和其他副产物产量的方法。源自植物生物质原料的相应蛋白质副产物包括酒糟、用于动物饲料或应用于食品的富含蛋白质的植物生物质组分、胶原、白明胶、营养相关蛋白质、以及可用于食品加工、营养和制药应用的蛋白质。感兴趣的其他副产物可以包括具有营养、健康和制药应用的植物化学物质。可以预测诸如甲基丙烯酸、丙烯酸及其酯、以及用于化学加工的其他化学物质和中间体的化学副产物。这里包括了以上被定义为生物燃料的一部分的化学物质。可以针对实验室、中试、或生产规模的过程预测副产物产量。因此，收集生物质样品的NIR光谱并由NIR模型解释。其结果可以是对一种或多种副产物产量或可能与副产物产量相关的一个或多个中间值的直接预测。用于由实验室规模的数据产生的副产物产量的NIR模型可以用于预测生产规模工厂中的表现。对副产物产量的预测可以用于管理生物炼厂或生物能源电厂运行、选择用于处理的优选原料、对交货的原料估价、预定并计划生产、以及管理供应链。对副产物产量的预测可以用于会具有最高生产性的植物物种、品种、种群、或个体的选择。以此方式选择的个体可以引入培养程序以产生具有改进的副产物产量的新的品种、栽培变种、自交系和杂交系。

6.软件

本发明的一些方面涉及用于开发NIR模型的软件。例如，该软件可以针对木质纤维原料将分光光度数据与成分和生物燃料转化表现特征相关联。所述软件可以通过如上所述的多变量统计学回归方法在NIR光谱和独立确定的化学组成之间建立确证的数学关系。

本发明的一些方面涉及使用一个或多个NIR模型为一种生物质样品确定成分特征和/或转化效率的软件。所述软件可以用于预测一种原料的成分，如总碳水化合物、可利用碳水化合物、顽固性碳水化合物、葡聚糖、木聚糖、阿拉伯聚糖、甘露聚糖、半乳聚糖、木质素、阿魏酸、乙酸、氮、蛋白质、固定碳、灰分、以及元素成分含量。该软件也可以用于预测紫丁香基∶愈创木基∶对-羟基苯基(S∶G∶H)重量百分比、碳∶氢∶氧(C∶H∶O)重量百分比、以及高位发热量(HHV)。该软件也可以预测实验室、中试或生产规模的过程中一种原料转化为游离糖、可发酵糖、合成气、生物燃料、乙醇、热或能量的转化效率。所述软件也可以预测来自生物炼厂中所使用的植物生物质原料的蛋白质和其他副产物的产量。所述软件也可以预测具体生物炼厂或生物能源发电站中与具体植物生物质原料的处理相关的NOX、SOX和其他温室气体的排放。所述软件也可以预测一种培育种群中成分和/或转化特征，以及/或在这些预测的基础上推荐或选择用于培育的植物。

所述软件也可以使用NIR模型为一个具体过程选择具体原料。所述软件也可以用于在所述原料基础上设计具体过程、设计生物炼厂、和/或设计生物能源发电厂。在遗传多样性的植物种群内，具体原料可以在物种、品种、栽培变种、自交系、杂交系、家系、基因型、和/或个体植物的基础上进行分组和分析。所述软件也可以使用NIR光谱和NIR模型，在所述原料的成分或转化特征的基础上对具体批次的原料估价。在对原料批次估价过程中，所述软件可以针对一个具体过程为该批次的原料提供处理、运输、税收和其他成本中的因素。

所述软件也可以用于管理原料生产和供应、和/或管理生物炼厂运作和经济状况。例如，所述软件可以为生物炼厂或生物能源发电站管理生物质原料的供应链。所述软件也可以通过跟踪存在于所收获的具体来源的植物生物质中的氮、硫、磷、钾、镁、钙、硅、锰、铁、锌、氯、硼、和其他微量养料的水平，预测一种植物生物质生产系统的可持续性。

7.用途/优势

与可供选择的其他解决方案相比，所述的技术提供了许多优点，虽然不是所有优点可以存在于一种特定的实施方式中。通常，NIR模型极大地降低了成本并加快了原料含量分析，并因此可以用于生物原料能量转化工业中的许多参与者。因此，NIR模型可以加速将纤维素生物质降解为可发酵糖的具有经济上可行性的过程的开发。在一些方面，这里所述的方法和材料可以用于实现更有效地加工为游离糖、并随后加工为乙醇。例如，使用这里所述的NIR模型快速精确地分析原料样品提供了用于调节生物质转化条件以实现更经济和/或更有效处理的新的手段。使用这一技术，生物炼厂可以为可利用的原料选择最有效的过程。例如，部分基于将NIR模型应用于原料样品数据的结果，可以选择原料队列、预处理条件、以及酶组合和载量和其他糖化参数。尤其具有吸引力的是对生物质样品中可利用碳水化合物材料的预测，这能使生物质工厂对每个批次的生物质原料优化酶载量，因为酶成本经常是纤维素生物乙醇生产中主要的成本组成。通过在相同或甚至更低的生产成本上提供更高的产量，这里所述的方法和材料为农夫和加工者提高了利润率，为消费者降低了成本，因此有助于提高生物燃料的价格竞争力，并降低其采用所需的补贴。也可以进行对诸如生物燃料、产物、和/或副产物产量、排放、系统可持续性、生物炼厂设计、对上游或下游活动的反馈等除成本外的变量的分析，以影响生物质加工决策和工业供应链管理。

在其他方面，NIR模型有助于更好地原料的开发和生产。使用这里所述的NIR模型可以在生物质植物种群中快速鉴定成分和转化效率可变性及遗传性，从而指导在生物质和生物燃料产量上具有更好表现的植物品种或种群的培育。所述模型也有助于从种群中选择潜在亲本并评估其子代，从而推动生物能量原料培育程序。有价值的生物能量转化性质可能与感兴趣的原料物种的特定分子标记相关，这进一步有助于朝向高能量产量目标的培育。例如，可以用针对特定能量转化选项的优化特征开发原料品种。使用所述技术，植物培育者可以针对具有经济价值的特征优化种质，这些特征诸如每英亩农田生产的生物燃料产量提高、特定转化过程的产量提高、副产物产量和质量、原料种植的可持续性、以及来自原料能量转化过程的温室气体排放降低。所述技术可以帮助确定适当的或最优的收获时间、运输、和/或储存条件。

此外，为了在大量不同的生物质转化过程中更清晰地对提高的价值和适当的价格点进行评估，NIR模型以能够直接整合入工程、经济和生命周期模型的形式报告数据。原料估价可以更加精确，因为它可以考虑到对产量和处理成本的更精确的估计。总而言之，所公开的技术对于诸如NIR仪器制造商、诸如种质改良和酶生产领域内的研究者、原料种植者、批发商和生物炼制者、以及相关的运输和物流运作等生物燃料生产工业中的许多参与者而言可以是有价值的。

在以下实施例中会对本发明进行进一步描述，实施例不对权利要求中所述的本发明的范围产生限制。

实施例

实施例1-样品制备和NIR光谱法

如美国能源部国家可再生能源实验室2005年9月的“用于成分分析的样品制备”中所述的(其与ASTM方法E1757-01基本相同)，收集并制备来自柳枝稷植株的生物质样品(通常至少20g干重)进行成分分析。简而言之，样品在室温或设置为45℃或以下的强制空气烘箱中干燥至水分含量10％或更低。干燥后，在常规实验室刀磨中研磨通过2mm筛。

使用德国BO公司的Bruker Optics MPA^TM FT-NIR分光计基本按照制造商的实验方案运行Opus 5.5软件，获得柳枝稷样品的近红外光谱数据。

使用具有旋转式样品杯装配杯的积分球获得光谱。使用常规硫化铅探测器阵列监测从12,800-5,800厘米^-1的NIR光。选用具有零填充因子为2的Blackman-Harris三项切趾函数(apodization function)。该Bruker仪器具有最大分辨率2厘米^-1。为了将生物质光谱中水的影响最小化，在NIR分析之前将每个样品空气干燥至含水量10％以下。以8厘米^-1的分辨率收集12,500厘米^-1至3600厘米^-1的光谱信息。对于每个光谱样品，总共收集了64个光谱，并平均以抵消样品的异质性。每个校准样品二次取样三次，并将子样品光谱进行平均。最终平均的光谱用于方法校准。这些光谱技术可以对每个校准样品获得高质量、可重复的NIR反射光谱。正如通过以下所讨论的验证实验所指出的，所述光谱代表了湿化学数据。仪器可重复性测试指出，所述NIR光谱仪的可重复性限制仅占NIR/PLS模型中绝对预测误差的0.2％以下。

实施例2-校准组的成分范围

从美国不同的地理位置收集了约1000种柳枝稷生物质样品。使用主成分分析(PCA)，选择包括55种野外生长的和温室生长样品的校准组来代表更大的样品集合。图1比较了校准组相对于更大的柳枝稷种群的PCA得分，这表明了较小的校准组代表更大的种群的能力。通过ASTM方法E1758-01《通过高效液相色谱测定生物质糖类》(Determination of Biomass Sugars by HighPerformance Liquid Chromatography)，E1721-01《生物质中酸不溶残基(木质素)的测定》(Determination of Acid Insoluble Residue(Lignin)in Biomass)，以及E1755-01《生物质中灰分含量测定》(Determination of Ash Content inBiomass)测定了葡聚糖、木聚糖、阿拉伯聚糖、木质素和灰分成分。使用DOE/EERE方法《生物质中蛋白质含量测定》(Determination of Protein Contentin Biomass)测定了蛋白质。根据DOE/EERE方法《生物质中浸出物测定》(Determination of Extractives in Biomass)中的自动化溶剂抽提(ASE)方法检测了浸出物。可发酵糖按照葡聚糖、木聚糖和阿拉伯聚糖的总和来计算。表1中显示了校准组的成分范围。

表1.校准组的成分范围

成分	范围(％干重)
		葡聚糖	17.9-42.5
木聚糖	15.7-26.7
		可发酵糖	45.6-64.5
阿拉伯聚糖	3.1-9.0
		蔗糖	0.4-12.7
木质素	17.2-23.5
		蛋白质	0.9-1.8
灰分	0.9-7.9
		浸出物	5.0-28.3

使用以上列举的常规分析方法的工具包，获得了所有55种样品的总结性质量封闭分析。校准样品的平均质量封闭是100.34±3.5％(95％置信区间)

实施例3-成分模型开发和验证

将多变量分析方法用于显示实施例2的55种柳枝稷生物质样品的化学成分与来自相同样品的NIR光谱数据之间的相关性。使用完整交叉验证程序开发和验证了一系列可用于确定未知样品化学成分的潜在结构预测(PLS-1)多变量分析方程。在交叉验证过程中，将一个单一样品从校准组中去除，所有其他样品用于建立方程并使用该方程对这一缺失的样品进行预测。最终的方法方程是所有交叉验证方程的平均。所获得的PLS-1方程命名为SWG_2模型。图2中显示了一个典型的方程。

图3显示了相对于通过湿化学测定的成分的干重百分比，通过SWG_2模型对每种样品预测的各种生物质成分的干重百分比。该图显示，SWG_2模型以与湿化学方法相当的精确度为大范围的样品预测了成分分析。

两种柳枝稷生物质样品的成分通过实施例2的方法进行了测定。从每种样品收集NIR光谱数据并通过SWG_2模型预测成分。图4显示了该分析的结果。结果显示，通过SWG_2模型预测的成分与湿化学测定的成分在方法误差内无法区分。因此，SWG_2模型可以用于直接从其NIR光谱确定柳枝稷测试样品的化学成分。

SWG_2模型用于鉴定其一种或多种组分的量超出该组分在校准组中的范围的、和/或具有未在原始校准组中表示的值的额外生物质样品。于是使用原始SWG_2校准样品和额外样品开发并验证扩展的NIR模型。表2中显示了额外NIR模型的某些生物质组分的典型结果。

表2.

实施例4-转化模型开发和验证

在SWG_2成分模型(实施例3)的开发中使用的样品中的28个样品用于NIR转化模型开发和验证。在进一步处理前从每个样品收集NIR光谱。随后每个样品接受如下的酸预处理和酶促糖化程序。将总体积5ml的约0.025g干重的每个样品和55.6μl 72％(重量百分比)硫磺酸加入微波试管(容器的液相中含1.3％重量百分比的酸)。将该试管在Biotage Initiator 60微波系统中160℃震荡加热5分钟。通过强制对流冷却冷却后，每个试管4,000rpm离心5分钟。取出上清液(预处理液，PL)，记录pH，并将上清液冷冻。随后用水清洗每个取样试管的离心固体3至4次，直到清洗液的pH达到5-6。

从试管中去除多余的水后，将来自每个样品的经过清洗的湿润固体转移至含有50mM柠檬酸盐缓冲液(pH 4.8)、0.04mg/ml四环素、0.03mg/ml放线菌酮、和每克干生物质20mg

CP总蛋白质以及20mg Novozyme 188总蛋白质混合物的新的试管中。每个试管50℃震荡孵育。1小时后，使用大口径移液器从每个试管中取出150ul，转移至1.5ml离心瓶，并煮沸5分钟。所述大口径移液器能够完全收集每个试管中的固体。随后每个离心瓶14,000rpm离心2分钟。将100ul每种上清液的部分转移至12×75-mm试管，加入900ul水，并在YSI 2700D双通道生化分析仪(俄亥俄州YSI生命科技公司(YSI LifeSciences，Yellow Springs，Ohio))上分析样品的葡萄糖。24小时后，取出所有剩余的样品，煮沸，并如上所述离心。取100ul试样量，1∶10稀释，并在YSI分析仪上分析葡萄糖。

释放到酸预处理液中的总葡萄糖的量按如下测定。对于单体葡萄糖，在振荡时向每个PL样品的一部分加入碳酸钙直至pH达到5-6。随后将瓶4000rpm离心5分钟，将1ml试样量的每种样品转移至12×75-mm试管，并在YSI分析仪中分析每个试样量的葡萄糖。为了测定寡聚葡萄糖的量，使用先前记录的pH以确定为了达到4％总的酸所必需添加的72％硫磺酸的量(NREL实验室实践，“过程样品液体组分中糖、副产物和降解产物的测定”(Determination ofSugars，Byproducts，and Degradation Products in Liquid Fraction ProcessSamples))。在含有2ml PL的血清瓶中加入72％硫磺酸，随后卷边密封并使用液体循环121℃高压灭菌60分钟。样品冷却至室温后，在振荡的同时加入碳酸钙直至pH升至5-6。随后通过离心将碳酸钙与液体分离并通过YSI检测葡萄糖。随后通过将初始PL样品中所测的单体葡萄糖浓度从酸水解的PL样品中所测的单体葡萄糖浓度中减去，计算寡聚葡萄糖。

使用碱预处理程序分析了37个不同的柳枝稷样品。对于碱预处理，将5ml氢氧化按稀释溶液加入含约0.025g生物质干重的2-5ml Biotage微波试管，使得氨与生物质的比率为2∶25。将所述试管在Biotage Initiator 60微波中加热至205℃并保持恒温30分钟，同时以900rpm振荡。强制对流冷却至50℃后，将试管4000rpm离心5分钟并收集预处理液(PL)。通过加水、离心和去除清洗水2-3次清洗固体，直至pH达到5-6(如pH 2-9的指示试条所测)。

使用每克干生物质20mg蛋白质的每种经过过滤的CP和Novozyme 188，对来自每个酸和碱预处理样品的经过清洗的湿润固体如上所述进行糖化。所释放的葡萄糖的量如针对酸预处理体系所述的进行测定。对于碱预处理糖化样品，进行了额外的寡聚糖评估。将200ul糖化液体按1∶10稀释，并向每个样品添加69.7ul 72％硫磺酸。随后将瓶高压灭菌并以与酸预处理PL样品相同的方式测定寡聚糖。

释放入碱预处理液中的总葡萄糖的量的测定如下。对于单体葡萄糖，在YSI分析仪中直接对一部分PL评估葡萄糖含量。通过在含2ml PL的血清瓶中添加69.7ul 72％硫磺酸测定寡聚葡萄糖的量。随后将瓶高温灭菌并通过与上述用于酸预处理PL样品相同的方法进行评估。

为了对例如木糖和阿拉伯糖的所有其他可利用糖进行定量，通过对每个PL样品和24小时糖化样品的HPLC进行完整的糖分析。

SWG_2成分模型用于计算由一种特定生物质样品可能最大释放的葡萄糖的理论产量。将酸预处理/酶促糖化所释放的葡萄糖总量除以该生物质样品中可能释放的葡萄糖的理论最大量，并乘以100转化成百分数，作为葡萄糖转化效率进行计算。

将多变量分析方法用于显示酸转化条件下理论葡萄糖产量百分比与相同样品的NIR光谱数据之间的相关性。图5比较了相对于由NIR转化模型所预测的葡萄糖转化效率的测得的葡萄糖转化效率百分数。结果显示，相对于所测得的转化效率，通过转化模型预测的葡萄糖转化效率百分数的R²值为0.78，其中交叉验证的均方根误差(RMSECV)为2.89，这表示良好的相关性。

将多变量分析方法用于显示碱预处理/糖化条件下每克干生物质所释放的总葡萄糖和来自相同样品的NIR光谱数据之间的相关性。交叉验证结果显示，每克干生物质所释放的测得总葡萄糖相对于预测总葡萄糖的R²值为0.85，其中RMSECV为12.4。测得的值和通过模型预测的值之间的良好相关性显示，可以开发针对其他类型生物质的NIR模型以预测碱性转化条件下每克干生物质所释放的总葡萄糖。

理论产量百分数、顽固性葡聚糖重量百分数、以及每克干生物质释放的总葡萄糖是可互相转化的值，并且可以由NIR光谱确定这些值之一的NIR模型可被用于确定所述其他值。

实施例5-柳枝稷种群中的可变性

从生长在美国南方中央平原地区的一个区域中的790个柳枝稷植株中的每一个植株如实施例1中所述的收集约30至200克生物质。该生物质获得自已经生长了约10至15年的植株。所述植株来自150个不同的柳枝稷种质。如实施例1中所述获得FT-NIR光谱，并使用SWG_2模型预测了每个样品的成分。图6-8是显示了来自790个植株的生物质中葡聚糖、木聚糖和木质素数量各自的频率分布。表3显示了790个植株的组中某些生物质组分的范围和平均量。

表3.柳枝稷植株的成分

生物质成分	平均值	范围
			葡聚糖	34.9	27.6-41.1
木聚糖	23.0	17.1-27.8
			木质素	20.1	15.3-22.9
灰分	4.5	1.0-12.1

实施例6-不同发育阶段的柳枝稷成分

在不同发育阶段从两个柳枝稷植株收集生物质样品。该样品如实施例1中所述制备并获得NIR数据。使用SWG_2模型从所述NIR数据确定成分。以下表4中显示了生物质成分的量。

表4.不同发育阶段的生物质成分

对每个所述生物质样品进行实施例4中所述的酸预处理/酶促糖化程序。表5显示了所述生物质样品的酸预处理/酶促糖化后1小时和24小时时间点上的葡萄糖转化百分数。

结果显示，柳枝稷中葡聚糖和其他成分的量在不同发育阶段有所不同。结果也表明，这些样品在年轻分蘖阶段24小时糖化后的葡萄糖转化效率大于87％。相反，这些样品的葡萄糖转化效率在分蘖开花阶段为81％或更低。这样的数据可以用于开发NIR模型以预测一种特定生物质类型在不同发育阶段的成分以及在每个这样的阶段采用特定预处理/糖化程序的可利用碳水化合物。这样的模型的一种用途是管理一种生物质作物，使得收获发生在导致采用特定预处理/糖化程序时针对该作物的生物燃料生产最大化的植物发育阶段。

表5.

实施例7-柳枝稷样品的葡萄糖转化效率

表6中显示了对实施例5的790个柳枝稷植株中的两个植株通过SWG_2模型预测的生物质成分。

表6.

植株	葡聚糖	木聚糖	阿拉伯聚糖	蔗糖	可发酵糖	木质素	蛋白质	灰分	浸出物
										A	39.54	24.10	7.79	1.04	63.64	22.36	1.14	2.28	5.62
B	35.24	23.34	7.68	2.5	58.58	20.17	1.22	4.82	6.7

对来自植株A和B的生物质样品重复实施例4中所述的用于确定酸预处理条件下转化效率的程序，在与补充了Novozyme 188的不同量的纤维素酶混合物孵育24和72小时时检测葡萄糖转化效率。图11显示了相对于酶的量，来自柳枝稷植株A和B的生物质在酸预处理/酶促糖化后72小时时间点上的转化效率。结果显示，在每克生物质添加约5至20mg纤维素酶的情况下，植株B达到了90％以上的最大理论葡萄糖产量。相反，在每克生物质添加约5至20mg纤维素酶的情况下，植株A达到了约55-65％的最大理论葡萄糖产量。这些结果表明，与来自植株A的生物质相比，来自植株B的生物质更易于用特定量的酶消化，并且即便是在高的酶载量情况下，植株A不能在这些条件下实现100％转化为葡萄糖。

使用每克干生物质20mg每种经过滤的CP和Novozyme 188，来自其他90个柳枝稷植株的生物质样品接受了与上述用于植株A和B相同的酸预处理和酶促糖化程序。图12显示了针对所有90个生物质样品的葡萄糖转化效率的频率分布。结果表明，葡萄糖转化效率在柳枝稷植株中变化显著。

实施例8-相对于所释放葡萄糖的葡聚糖预测重量百分比

从美国不同地理位置的各种不同柳枝稷植株中收集多种生物质样品，并如实施例1中所述加以制备。随后将来自每个生物质样品的NIR数据用于通过SWG_2模型预测每个样品中的葡聚糖重量百分比。所述生物质样品随后经受实施例4中所述的酸预处理或碱预处理程序。

随后针对每个酸预处理样品和每个碱预处理样品，将用mg/g表示的所释放的葡萄糖的量相对于SWG_2预测的葡聚糖重量百分比作图。结果显示在图13和14中。结果表明，对于酸预处理，预测的葡聚糖量和所释放的葡萄糖量之间没有显著的相关性，并且对于碱预处理，两者之间存在轻微的正相关性。

这些实验的结果与实施例4中所述的结果表明，测量或预测存在于生物质样品中的葡聚糖的量不足以鉴别产生更大量葡萄糖的生物质材料。此外，该结果显示，如实施例4中所述的转化NIR模型以足够的精确度预测葡萄糖转化效率，以鉴定即便具有相对较低的葡聚糖含量、但产生相对较大量的释放的葡萄糖的生物质材料。

实施例9-来自柳枝稷生物质的乙醇产量

如实施例1中所述从3个柳枝稷植株收集生物质并获得NIR数据。使用SWG_2模型预测每个植株的葡聚糖量，并确定每个植株的生物质产量。表7中所示的结果表明，每个样品中的葡聚糖量是相似的，而样本之间的生物质产量不同。在这些数据的基础上，计算了每个样品的每吨生物质来自葡聚糖的乙醇最大理论产量和每英亩的乙醇最大理论产量，并显示在表7中。

表7.柳枝稷样品的葡聚糖百分比和生物质产量

柳枝稷品种	％葡聚糖*	理论乙醇产量(加仑/吨)**	生物质产量(吨/英亩)	理论乙醇产量(加仑/英亩)***
					亲本	39.11	67.6	7.7	518
品种C	40.18	69.4	7.9	548
					品种D	39.27	67.9	6.4	435

*由SWG_2模型预测的。

**加仑乙醇/吨生物质(基于葡聚糖量并假定葡聚糖100％转化为葡萄糖)。

***加仑乙醇/英亩柳枝稷(基于葡聚糖量、生物质产量，并假定葡聚糖100％转化为葡萄糖)。

使用实施例4中所述的酸预处理/酶促糖化程序确定每个植株生物质的葡萄糖转化效率，并将结果显示在表8中。结果表明，来自品种D的生物质比来自其他两种植株的生物质具有更高的葡萄糖转化效率，并从而具有相对于品种C更多的以总碳水化合物的百分比表示的可利用碳水化合物。

表8.柳枝稷样品的葡萄糖转化效率

柳枝稷品种	％葡聚糖	葡萄糖转化效率(％)	乙醇产量(加仑/吨)*	理论乙醇产量(加仑/英亩)**
					亲本	39.11	75.7	51.2	393
品种C	40.18	74.8	52.0	410
					品种D	39.27	83.2	56.5	362

*基于葡聚糖量和葡萄糖转化效率。

**基于葡聚糖量、葡萄糖转化效率和生物质产量。

在葡萄糖转化效率和生物质产量的基础上，计算了每种植株可产生的每吨乙醇产量和每英亩乙醇产量。结果显示在表5中并表明，较高的葡萄糖转化效率可以抵消降低的生物质产量。该结果也显示，可以鉴定同时具有较高生物质产量和较高葡萄糖转化效率的植株。

实施例10-预测生物质处理的酶载量条件

从单一品种的多个野外生长的柳枝稷植株收集生物质。生物质样本如实施例1所述制备，并使用实施例1中所述的湿化学技术测定成分。葡聚糖组分构成所述生物质干重的36.8％。所述生物质样品中可能释放的葡萄糖的理论最大量计算为每克干生物质408mg葡萄糖。

对所述生物质样品进行实施例4中所述的酸预处理/酶促糖化程序，并且与过量

和Novozyme 188(每克生物质补充了20mg Novozyme 188的20mg

)孵育24小时后释放的葡萄糖的平均量测定为每克生物质254mg葡萄糖。在使用过量酶的理论最大葡萄糖产量的基础上，达到最大葡萄糖转化效率所需的酶量经计算为每克可利用葡聚糖12.5mg Spezyme和12.5mgNovozyme 188。

对所述生物质样品重复所述酸预处理/酶促糖化程序，除了每克可利用葡聚糖使用12.5mg

和12.5mg Novozyme 188。测定孵育1小时和24小时后溶解的葡萄糖量并显示在表9中。该结果显示，12.5mg/gm可利用葡聚糖时的葡萄糖转化百分比等于或优于20mg/gm生物质时的葡萄糖转化百分比。

表9.

酶量(mg/gm)	％葡萄糖转化(孵育1小时)	％葡萄糖转化(孵育24小时)
			20	25	65
12.5	26	70

假定每加仑乙醇的酶成本为$0.32，这些结果显示，每加仑乙醇可以节省$0.13。根据这一假设，每年生产100,000,000加仑乙醇的生物炼厂通过在可利用碳水化合物的基础上投放酶，可以降低每年的酶成本约$12,800,000。

实施例11-预测用于生物质处理的最佳酶混合物

从单一品种的多个野外生长的柳枝稷植株中收集生物质。生物质样本如实施例1所述制备，并使用实施例1中所述的湿化学技术测定成分。葡聚糖组分构成所述生物质干重的36.8％。所述生物质样品中可能释放的葡萄糖的理论最大量计算为每克干生物质408mg葡萄糖。

对所述生物质样品进行实施例4中所述的酸预处理/酶促糖化程序，除了使用了不同的酶混合物。酶混合物I含有专卖的纤维素酶复合物(命名为S13)和Novo 188。所述纤维素酶复合物催化纤维素材料分解为葡萄糖、纤维二糖和更高的葡萄糖聚合物。酶混合物II含有专卖的酶复合物(命名为S12)和Novo188。所述酶复合物含有各种糖酶，包括阿拉伯聚糖酶、纤维素酶、β-葡聚糖酶、半纤维素酶和木聚糖酶。酶混合物III含有专卖的木聚糖酶(命名为S14)、

和Novo 188。所述木聚糖酶是一种将木聚糖和阿拉伯糖-木糖聚糖水解为寡糖和一些单糖、二糖和三糖的高温内切木聚糖酶，并且在可溶的和不溶的阿拉伯糖-木糖聚糖中都具有活性。含有

和Novo 188的酶混合物用作对照。

结果显示在表10中。该结果显示，根据用于糖化的酶混合物，溶解的葡萄糖的量发生了变化。这样的数据可以用于为每种组合的酶混合物、生物质类型和预处理/糖化程序开发可利用碳水化合物的NIR模型。

表10.

*＝每克生物质每种酶或酶复合物毫克

ND＝未测定

实施例12-用于木质素含量的NIR模型

如实施例1中所述从柳枝稷、拟南芥(Arabidopsis thaliana)和高粱植株制备生物质样品。由柳枝稷、拟南芥(Arabidopsis thaliana)和高粱分别制备了26、71和24个样品。在进一步处理前收集每个柳枝稷、拟南芥和高粱生物质样品的NIR光谱。

通过以下湿化学技术测定了S、G和H的量。在与QP2010GC-MS(日本岛津公司(Shimadzu，Japan))偶联的Py-2020is热解仪(日本极限实验室公司(Frontier Labs，Japan))上进行热解GC-MS。每个样品在灭活的不锈钢杯中称取3毫克磨成细微颗粒(最大2毫米)的生物质材料。每个样品通过重力导入设置为550℃的热解仪。热解仪和GC入口间的界面设置为300℃。在GC柱(VF-5MS，30M×0.25mm×0.25um)上进行热解液的分离。经过热解仪和柱的氦流分别设置为450毫升/分钟和1.0毫升/分钟。入口分流比为350∶1。柱温程序初始设置为70℃(保持4分钟)，以20℃/分钟的斜率升至最终温度350℃。延迟4.5分钟后，从50amu至300amu以3333amu/sec获得质谱。

收集对应于不同木质素单位和左旋葡聚糖及糠醛(两者作为纤维素标志物)的峰面积。硬脂酸甲酯用作内标以对每个组分的量进行定量，并从而在数量上测定存在于所述样品中的H、G和S的量。总木质素按照H、G和S的和进行计算。

热解GC-MS数据和NIR光谱数据用于开发和验证针对柳枝稷、拟南芥和高粱中H、G、S和总木质素数量的NIR模型。相对于预测的H、G、S、和/或总木质素含量的测量值的R²和RMSECV值显示在表11中。测量值和通过模型预测值之间的显著正相关性表明，可以开发用于其他类型生物质和其他植物物种中H、G、S和总木质素量的NIR模型。

表11.

植物物种	组分	R2	RMSECV
				柳枝稷	H木质素	0.61	0.408
	G木质素	0.81	0.487
					S木质素	0.91	0.0591
	总木质素	--*	--
				拟南芥	H木质素	0.78	0.347
	G木质素	0.78	0.763
					S木质素	0.70	0.133
	总木质素	0.79	1.13
				高粱	H木质素	--	--
	G木质素	0.77	0.886
					S木质素	0.90	0.22
	总木质素	0.81	1.86

*--＝未测定

实施例13-用于阿魏酸含量的NIR模型

如下所述获得无浸出物的生物质样品。将如实施例1中所述制备的1g生物质样品用70mL水和70mL乙醇70℃抽提各15分钟以去除浸出物。去除溶剂后残留的固体45℃烤箱干燥并保存在干燥器中。

从10个无浸出物柳枝稷样品中的每一个样品收集NIR光谱。50mg的每个样品用1.5mL 2M KOH通过微波辅助抽提器80℃抽提10分钟。取出浸出液并去除固体。每种深褐色的浸出液用500uL 4M HCl中和，每种浸出液转为淡黄色。每种浸出液在具有低温陷阱的真空干燥器中干燥，在1.0mL甲醇中重悬，超声辅助重悬，并过滤去除颗粒。所获得的溶液具有清澈的金色。

将500uL每种过滤的溶液与200uL 1mg/mL的芥子酸标准品(50/50甲醇∶水)一起转移至LC-MS瓶。在瓶中加入300uL水。使用Phenonmenex SynergiMax-RP(150×4.6mm)和含1％乙酸的10％至90％甲醇的梯度洗脱在与UniqueToF偶联的Agilent 1200质谱仪上进行阿魏酸的分离。飞行质谱获得的时间设置为4谱/秒，范围为50-500m/z。计算每个样品中的阿魏酸含量。

MS数据和NIR光谱数据用于开发和验证针对柳枝稷中阿魏酸含量的NIR模型。交叉验证结果显示，相对于预测的阿魏酸含量的测量值的R²值为0.95，RMSECV为0.26。测量值和通过模型预测的值之间良好的相关性表明，可以开发用于其他类型生物质和其他植物物种的阿魏酸含量的NIR模型。

实施例14-高地和低地柳枝稷品种的分析

如对于SWG_2模型所述的，开发并验证了用于柳枝稷成分和葡萄糖转化效率的扩展的NIR模型。所述扩展模型命名为SWG_5模型。3个高地品种和3个低地品种在伊利诺斯州的同一个位置生长。将SWG_5模型用于预测每个品种的无浸出物葡聚糖含量和葡萄糖转化效率。数据显示，高地和低地品种可以在其无浸出物葡聚糖含量和葡萄糖转化效率的基础上加以区分。

实施例15-高粱模型开发和验证

如实施例1中所述从30个高粱样品制备生物质样品。如实施例1中所述，在进一步处理前收集每个样品的NIR光谱。

使用如实施例2中所述的方法测定30个高粱样品的成分。按照DOE/EERE方法《生物质中淀粉的测定》(Determination of Starch in Biomass)检测淀粉。

24个所述生物质样品经受如实施例4中所述的酸预处理和酶促糖化，除了所述酸预处理条件为容器的液相中含0.6％(重量百分比)的酸以及微波系统设置为180℃。如实施例4中所述，检测了每克干生物质释放的总葡萄糖和理论葡萄糖产量。此外，检测了重量百分比表示的顽固性葡聚糖量。

将释放的总葡萄糖、理论葡萄糖产量和顽固性葡聚糖量用于开发和验证用于高粱的NIR模型。如实施例1中所述，使用Opus软件产生模型。使用整合入OPUS软件的多变量分析软件开发NIR模型。用于高粱成分分析的模型使用8000-3800厘米^-1范围内的波长。所使用的数学处理是一阶导数和具有17个平滑点的向量标准化。

用于理论葡萄糖产量的模型采用5个主成分，用于顽固性葡聚糖的模型采用4个主成分，用于释放的总葡萄糖的模型采用5个主成分。交叉验证结果显示，相对于预测的理论葡萄糖产量的测量值的R²值为0.92，其RMSECV为2.45。相对于预测的顽固性葡聚糖的测量值的R²值为0.92，其RMSECV为1.01。相对于预测的释放的总葡萄糖的测量值的R²值为0.86，其RMSECV为9.4。通过模型预测的值和测量值之间良好的相关性表明，可以针对高粱开发各种其他NIR模型。

按照制造商的实验方案，使用Foss XDS快速含量分析仪(明尼苏达州北美运河公司(Foss North America，Eden Prairie，MN))、运行WinISI 4.0软件获得了相同的30个高粱样品的近红外光谱数据。

使用了具有粗糙的颗粒状样品室的Foss RCA固体传送模块获得所有样品的光谱。该仪器配备有常规反射系数探测器阵列，这包括监测400-850nm之间的可见光的两个硅探测器和监测850-2500nm之间的近红外光的4个硫化铅探测器。该Foss仪器具有1nm的最大分辨率。为了将生物质光谱中水的影响最小化，每个样品在NIR分析前空气干燥至含水量低于10％。以1nm分辨率从400-2500nm(25000厘米^-1至4000厘米^-1)中收集光谱信息。对于每个光谱样品，总共收集64个光谱并平均以抵消样品异质性。每个校准样品二次取样三次，并对子样品光谱进行平均。将最终的平均光谱用于方法校准。这些光谱技术能够为每个校准样品获得高质量的、可重复的NIR反射光谱。仪器可重复性检测显示，该NIR光谱仪的可重复性限制仅占NIR/PLS模型中绝对预测误差的0.2％以下。

使用整合入WinISI软件的多变量分析软件开发了NIR模型。用于分析高粱成分的模型使用400-2500nm范围内的波长。数学处理使用了一阶导数，以及后续的标准正态分布变量散射校正和具有一阶多项式、4nm块和4nm间隙的去势基线(detrend baseline)调整。

对使用Bruker仪器和Foss仪器的各种生物质组分的NIR模型的交叉验证结果显示在表12中。通过模型预测的值和测量值之间良好的相关性表明，可以使用不同的仪器和软件程序开发NIR模型。良好的相关性也表明，可以为高粱开发各种其他的NIR模型。

表12

实施例16-生物质的热化学处理

从美国不同地理位置的11个不同的柳枝稷植株收集生物质样品，并如实施例1所述制备。如实施例1中所述获得FT-NIR光谱，并使用SWG_2模型预测每个样品的成分。结果显示在表13和14中。

表13.柳枝稷样品中各种组分的量

植株	阿拉伯聚糖	灰分	浸出物	葡聚糖	木质素	蛋白质	蔗糖	木聚糖	合计
										2439 079	9.0	3.4	4.6	37.8	21.9	1.4	0.7	24.8	103.5
2439 118	5.9	2.1	7.2	37.3	20.7	1.1	4.0	21.9	100.2
										2439 204	7.0	3.2	7.5	33.9	19.3	1.0	1.3	20.6	93.8
2439 471	7.8	5.2	7.7	32.3	18.8	1.2	0.3	23.1	96.4
										2439 507	9.5	8.1	5.8	32.0	19.4	1.6	1.3	25.0	102.6
2439 613	8.2	4.9	6.1	33.7	19.8	1.1	1.4	23.0	98.2
										2439_520	8.0	7.8	7.4	27.6	16.7	0.6	0.8	20.0	88.7
7000 000	3.8	4.2	9.4	31.9	17.5	5.6	3.8	21.0	97.2
										7000 005	3.2	4.3	11.8	31.5	17.3	3.9	2.2	21.4	95.6
7000 484	6.2	1.1	7.3	40.7	22.4	2.4	1.0	21.5	102.5
										7000 487	6.5	1.6	7.8	40.2	22.4	2.2	-0.6	21.9	101.9

表14.柳枝稷样品中各种组分的范围

	阿拉伯聚糖	灰分	浸出物	葡聚糖	木质素	蛋白质	蔗糖	木聚糖
									最小	3.2	1.1	4.6	27.6	16.7	0.6	-0.6	20.0
最大	9.5	8.1	11.8	40.7	22.4	5.6	4.0	25.0
									平均	6.6	4.2	7.8	34.1	19.4	2.1	1.5	21.9
标准偏差	2.0	2.3	1.9	4.1	2.0	1.5	1.4	1.6

对以上一些生物质和另外一个植株的生物质样品进行了碳、氢、氮、氧和硫的元素分析。此外，使用表15中所示的方法测定了灰分、挥发性物质和固定碳的量。来自这些湿化学技术的结果显示在表16和17中。

表15.用于热化学分析的常规ASTM方法(ASTM 2007)

测定	方法
		最终的	ASTM D3176
近似的	ASTM D3172
		含水量	ASTM D3173
C，H，N	ASTM D5373
		硫	ASTM D4239
氧	ASTM D5622
		灰分	ASTM D3174
挥发性物质	ASTM D3175
		HHV	ASTM D5865

表16.柳枝稷样品的基本成分＊

植株	C	H	N	O	S	灰分	挥发性物质	固定碳
									2439 079	47.09	6.53	0.23	49.01	0.05	4.02	78.40	17.58
2439 118	46.93	6.55	0.26	49.20	0.05	4.03	78.16	17.81
									2439 204	46.64	6.57	0.32	48.33	0.05	4.52	78.50	16.98
2439 471	45.67	6.47	0.27	48.04	0.08	6.48	77.79	15.73
									2439 507	45.68	6.47	0.26	47.48	N.D.	7.73	76.59	15.68
2439 613	46.76	6.37	0.25	47.24	0.05	5.26	77.37	17.37
									2439_520	45.29	6.42	0.33	47.44	0.05	7.38	76.66	15.96
7000 000	46.91	6.75	1.11	46.82	0.12	4.68	75.80	19.52
									7000 005	46.21	6.64	0.97	46.23	0.10	5.42	74.87	19.71
7000 484	48.01	6.74	0.49	48.76	0.08	2.84	76.62	20.54
									7000 488	44.16	6.29	0.84	46.25	0.09	12.07	71.84	16.09

*数值表示为干重百分比

表17.柳枝稷样品中基本成分量的范围＊

	碳	氢	氮	氧	硫	灰分	挥发性物质	固定碳
									最小	44.16	6.29	0.23	46.23	0.05	2.84	71.84	15.68
最大	48.01	6.75	1.11	49.20	0.12	12.07	78.50	20.62
									平均	46.30	6.52	0.53	47.65	0.08	5.81	76.39	17.80
标准偏差	1.00	0.14	0.35	1.02	0.02	2.42	1.98	1.86

*数值表示为干重百分比

通过ASTM D5865《用于测定煤炭中高位发热量的常规测试方法》(StandardTest Method for Determination of Higher Heating Value in Coal)中所述的湿化学技术测定每个样本的HHV。结果如表18所示。

表18.柳枝稷样品的HHV

植株	HHV*
		2439 079	8045.16
2439 118	8031.80
		2439 204	7968.95
2439 471	7854.22
		2439 507	7834.56
2439 613	7988.43
		2439_520	7816.57
7000 000	8166.72
		7000 005	8020.21
7000 484	8160.44
		7000488	7508.44
最小值	7508.44
		最大值	8166.72
平均值	7946.69
		标准偏差	178.16

*数值表示为每磅生物质的BTU

结果显示，样品之间的HHV约有10％的变化。结果也显示，所述样品之间固定碳的量的范围约有25％的不同，并且在基本成分分析和固定碳之间没有明显的关系。

实施例17-热化学模型开发和验证

如实施例1中所述，制备124个柳枝稷样品并由每个样品收集NIR光谱。在进一步处理之前收集每个样品的NIR光谱。使用实施例16中所列的ASTM常规方法测定了每个样品的高位发热量、C、H、N、O、和挥发性物质。

将热化学数据和NIR光谱数据用于开发和验证用于柳枝稷中HHV、C、H、N、O和挥发性物质的NIR模型。相对于预测的HHV、C、H、N、O和挥发性物质的测量值的R²和RMSECV值显示在表19中。通过模型预测的值和测量值之间的显著正相关性表明，可以在其中类型生物质和其他植物物种中开发用于HHV、C、H、N、O、固定碳和挥发性物质的NIR模型。

表19.

组分(PC)	R2	RMSECV
			氮(5)	0.964	0.1
碳(9)	0.719	0.4
			挥发性碳(6)	0.813	1.0
氢(4)	0.681	0.7
			氧(6)	0.708	0.6
HHV(5)	0.696	69.2

其他实施方式

应当理解，虽然已经结合了对其的详细描述描述了本发明，以上的描述是为了举例说明而不是限制本发明的范围，该范围由附属的权利要求书限定。以下权利要求书的范围包括了其他方面、优点和改进。

Claims (13)

1.一种将NIR模型公式化的方法，所述方法包括：

a)将相同类型的多个生物质原料样品进行近红外光谱分析以产生每个所述样品的NIR光谱数据；

b)通过湿化学技术测量每个所述原料样品的化学成分；

c)测量在规定预处理/酶载量条件下处理后由每个所述原料样品溶解出的单糖和二糖的总量；

d)由所述光谱数据、所述化学成分、和所述溶解出的单糖和二糖量形成所述NIR模型，其中所述NIR模型能够预测由在所述规定预处理/酶载量条件下处理的待测原料样品产生的可利用或顽固性碳水化合物的量。

2.如权利要求1所述的方法，其特征在于，所述模型形成步骤包括将所述光谱数据针对所述化学成分和所述单糖和二糖量进行回归。

3.如权利要求1所述的方法，其特征在于，所述方法进一步包括：

e)测量通过第二规定预处理/酶载量条件处理后由每个所述原料样品溶解出的单糖和二糖的总量；以及

f)由所述第二规定预处理/酶载量条件下溶解出的所述单糖和二糖量、所述光谱数据和所述化学成分数据形成第二NIR模型。

4.如权利要求1所述的方法，其特征在于，所述化学成分包括阿魏酸和乙酸含量。

5.如权利要求1所述的方法，其特征在于，由所述化学成分和所述溶解出的单糖和二糖的量形成所述NIR模型包括形成针对顽固性碳水化合物的所述NIR模型。

6.一种用于确定原料样品中可利用碳水化合物材料的量的方法，所述方法包括：

a)从待测原料样品收集NIR光谱数据；

b)将与所述样品相同类型的原料中可利用碳水化合物的NIR模型应用于所述光谱数据；以及

c)在所述应用步骤的结果基础上，预测在用于产生所述NIR模型的所述规定预处理/酶载量条件下处理所述样品后所述原料样品中可利用碳水化合物材料的量。

7.一种用于确定原料样品中顽固性碳水化合物材料的量的方法，所述方法包括：

a)从待测原料样品收集NIR光谱数据；

b)将与所述样品相同类型的原料中顽固性碳水化合物材料的NIR模型应用于所述光谱数据；以及

c)在所述应用步骤的结果基础上，预测在用于产生所述NIR模型的所述规定预处理/酶载量条件下处理所述样品后所述原料样品中顽固性碳水化合物材料的量。

8.一种用于预测原料样品的糖化效率的方法，所述方法包括：

a)从待测原料样品收集NIR光谱数据；

b)将与所述样品相同类型的原料中可利用碳水化合物的NIR模型应用于所述光谱数据；以及

c)在所述应用步骤的结果基础上，预测在用于产生所述NIR模型的所述规定预处理/酶载量条件下处理所述样品后所述原料样品的糖化效率。

9.如权利要求6所述的方法，其特征在于，所述方法进一步包括在用于产生所述NIR模型的所述规定预处理/酶载量条件下处理所述样品后预测所述原料样品的单糖产量。

10.一种用于预测原料样品的产物产量的方法，所述方法包括：

a)从待测原料样品收集NIR光谱数据；

b)将与所述样品相同类型的原料中产物产量的NIR模型应用于所述光谱数据；以及

c)在所述应用步骤的结果基础上，预测在用于产生所述NIR模型的所述规定预处理/酶载量条件下处理所述样品后所述原料样品的产物产量。

11.如权利要求10所述的方法，其特征在于，所述产物产量是生物燃料产量。

12.如权利要求10所述的方法，其特征在于，所述原料样品是一种草本材料。

13.如权利要求10所述的方法，其特征在于，所述原料样品包括选自下组的物种：柳枝稷、高粱、甘蔗、芒草、白杨、柳、水稻和玉米。

Images