CN107491622B - 一种生物质发酵仿真系统及基于该系统的设备选型方法 - Google Patents
一种生物质发酵仿真系统及基于该系统的设备选型方法 Download PDFInfo
- Publication number
- CN107491622B CN107491622B CN201710827400.3A CN201710827400A CN107491622B CN 107491622 B CN107491622 B CN 107491622B CN 201710827400 A CN201710827400 A CN 201710827400A CN 107491622 B CN107491622 B CN 107491622B
- Authority
- CN
- China
- Prior art keywords
- biomass fermentation
- module
- simulation
- raw material
- parameter
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种生物质发酵仿真系统,包括参数输入模块、参数识别模块、生物发酵仿真模块、优化控制模块、仿真显示模块和规模参数输出模块;还公开了一种基于生物质发酵仿真系统的设备选型方法。本发明利用在电子计算机上建立的一套完整的生物质发酵仿真系统,利用该仿真系统对生物质发酵系统的结构和发酵行为进行动态仿真,从中得到包括前处理装置、反应器等生物质发酵装置的规模参数,以及生物质发酵系统的产气量、余热量、发电机装机容量、供热机组容量等量化参数。本发明极大的缩短了生物质发酵系统的研发周期,降低了研究成本,提高了生物质发酵系统实验和调试过程中的安全性。
Description
技术领域
本发明涉及一种生物质发酵仿真系统及基于该系统的设备选型方法,属于生物质发酵工艺设计领域。
背景技术
随着生物工程技术的迅速发展,发酵工业的生产设备和规模不断扩大,生产过程对自动控制技术的要求越来越迫切。但是微生物发酵过程不同于一般的工业,它涉及生命体的繁殖过程。由于各种原料的物理特性、反应周期、反应速率、产气率、最佳反应温度和浓度等的差异性很大,导致了在工程设计中对原料的处理、发酵工艺及设备选型上有着很大的差别。传统的生物质发酵系统的工程设计研究方法存在周期长、研究成本高、安全性低等缺点。
发明内容
本发明的目的在于,提供一种生物质发酵仿真系统,该方法能够缩短生物质发酵系统的研发周期,降低研究成本,提高生物质发酵系统实验和调试过程中的安全性。还提供一种基于生物质发酵仿真系统的设备选型方法,通过该方法能够有效的得出生物质发酵系统中关键设备的规模。
为解决上述技术问题,本发明采用如下的技术方案:一种基于生物质发酵仿真系统的设备选型方法,其特征在于,包括如下步骤:
S1:在生物质发酵仿真系统中输入原料参数,根据原料参数得出原料反应周期消纳量;
S2:根据步骤S1中所述的原料反应周期消纳量,得到前处理装置的规模;
S3:利用反应器备储系数,并根据步骤S1中所述的原料反应周期消纳量及反应器备储系数,得到反应器规模;
S4:包括建立原料反应曲线数据库,根据原料反应曲线数据库中的原理反应曲线数据,及步骤S2中所述的前处理装置的规模,及S3中所述的反应器规模,得出系统的日均进出料量;
S5:根据步骤S4中所述的日均进出料量,得出沼渣沼液产生量;将所述日均进出料量结合当地的气候条件参数,算出生物质发酵系统的热量损耗量及热量需求量;
S6:根据反应器规模和原料类型得出搅拌破壳频率和原料发酵过程中产生的气体成分;(原料类型可为农作物秸秆、养殖场产生的动物粪便、厨余剩余物和/或污泥等。)
S7:根据反应器规模、原料浓度参数和原料反应特性参数,同时利用水场作用原理参数得到产气率;(根据不同原料类型的生物质发酵反应,可选用不同的水场作用原理参数,进行最优化反应,从而得到最优产气率。)
S8:通过所述日均进出料量和产气率得出产气量,根据产气量得出储气柜容量;
S9:根据步骤S6中生成的气体成分确定脱硫工艺;
S10:根据产气量和步骤S9中的脱硫工艺得出生物质发酵系统的发电机装机容量;根据发电机装机容量确定发电系统的余热量;
S11:根据余热量和步骤S5中的热量损耗量及热量需求量,得到供热机组容量。
前述的一种基于生物质发酵仿真系统的设备选型方法,所述原料参数包括原料日产量和原料反应周期参数。
一种生物质发酵仿真系统,包括参数输入模块、参数识别模块、生物质发酵仿真模块、优化控制模块、仿真显示模块和规模参数输出模块;参数输入模块用于输入标准化参数和非标准化参数(如标准化和非标准化的原料日产量、原料反应周期参数、气候条件参数、反应器备储系数、原料浓度);参数识别模块用于识别输入的标准化参数或非标准化参数,根据识别出来的标准化参数或非标准化参数调取模型数据库中的参数模型(如原料日产量点值、原料反应周期值、反应器储备系数值、原料浓度值、气候条件模型、原料反应特性模型);生物质发酵仿真模块根据所调取的参数模型,进行发酵过程的动态仿真模拟;优化控制模块根据最优化算法控制生物质发酵仿真模块,通过仿真显示模块对生物质发酵工程的结构和生物发酵行为进行动态仿真,规模参数输出模块用于输出生物质发酵设备的种类和设备规模参数。最优化算法利用水场作用原理参数进行的优化算法。
标准化参数指的是现有技术中存在的或常用的工艺设备参数值、非标准化参数指的是现有技术中不存在的或不常用的工艺设备参数值。本发明系统通过输入不同的标准化参数或非标准化参数能够实现针对采用不同生物质原料作为发酵原料的发酵系统进行模拟仿真,如生物质原料为农作物秸秆、养殖场产生的动物粪便、厨余剩余物或污泥等。
前述的这种生物质发酵仿真系统,所述生物质发酵仿真模块包括模型预处理模块和仿真算法模块,模型预处理模块用于参数化从模型数据库调取的参数模型,参数模型包括生物质发酵工程的工艺过程模型和工艺设备模型,根据仿真算法模块得出模拟生物质发酵过程的仿真数据(从而实现生物质发酵过程的动态仿真),仿真数据即生物质发酵设备的种类和设备规模参数。
与现有技术相比,本发明的设备选型方法利用在电子计算机上建立的一套完整的生物质发酵仿真系统,利用该仿真系统对生物质发酵系统的结构和发酵行为进行动态仿真,从中得到包括前处理装置、反应器等生物质发酵装置的规模参数,以及生物质发酵系统的产气量、余热量、发电机装机容量、供热机组容量等量化参数,通过该方法能够有效的得出生物质发酵系统中关键设备的规模,从而可确定实际生产所需的设备种类。本发明的仿真系统极大的缩短了生物质发酵系统的研发周期,降低了研究成本,提高了生物质发酵系统实验和调试过程中的安全性。
附图说明
图1是本发明方法的逻辑框图;
图2是本发明系统的结构示意图。
下面结合附图和具体实施方式对本发明作进一步的说明。
附图标记:1-参数输入模块,2-参数识别模块,3-生物质发酵仿真模块,4-优化控制模块,5-仿真显示模块,6-规模参数输出模,7-模型预处理模块,8-仿真算法模块。
具体实施方式
实施例1:一种基于生物质发酵仿真系统的设备选型方法,包括如下步骤:S1:在生物质发酵仿真系统中输入原料参数,根据原料参数得出原料反应周期消纳量;原料参数包括原料日产量和原料反应周期参数。S2:根据步骤S1中所述的原料反应周期消纳量,得到前处理装置的规模;S3:利用反应器备储系数,并根据步骤S1中所述的原料反应周期消纳量及反应器备储系数,得到反应器规模;S4:包括建立原料反应曲线数据库,根据原料反应曲线数据库中的原料反应曲线数据,及步骤S2中所述的前处理装置的规模,及S3中所述的反应器规模,得出系统的日均进出料量;S5:根据步骤S4中所述的日均进出料量,得出沼渣沼液产生量;将所述日均进出料量结合当地的气候条件参数,算出生物质发酵系统的热量损耗量及热量需求量;S6:根据反应器规模和原料类型得出搅拌破壳频率和原料发酵过程中产生的气体成分;S7:根据反应器规模、原料浓度参数和原料反应特性参数,同时利用水场作用原理参数得到产气率;(根据不同原料类型的生物质发酵反应,可选用不同的水场作用原理参数,进行最优化反应,从而得到最优产气率)S8:通过日均进出料量和产气率得出产气量,根据产气量得出储气柜容量;S9:根据步骤S6中生成的气体成分确定脱硫工艺;S10:根据产气量和步骤S9中的脱硫工艺得出生物质发酵系统的发电机装机容量;根据发电机装机容量确定发电系统的余热量;S11:根据余热量和步骤S5中的热量损耗量及热量需求量,得到供热机组容量。
实施例2:一种生物质发酵仿真系统,包括参数输入模块1、参数识别模块3、生物质发酵仿真模块2、优化控制模块4、仿真显示模块5和规模参数输出模块6;参数输入模块1用于输入标准化参数和非标准化参数;参数识别模块3用于识别输入的标准化参数或非标准化参数,根据识别出来的标准化参数或非标准化参数调取模型数据库中的参数模型;生物质发酵仿真模块2根据所调取的参数模型,进行发酵过程的动态仿真模拟;优化控制模块4根据最优化算法控制生物质发酵仿真模块2,通过仿真显示模块5对生物质发酵工程的结构和生物发酵行为进行动态仿真,规模参数输出模块6用于输出生物质发酵设备的种类和设备规模参数。生物质发酵仿真模块2包括模型预处理模块7和仿真算法模块8,模型预处理模块7用于参数化从模型数据库调取的参数模型,参数模型包括生物质发酵工程的工艺过程模型和工艺设备模型,根据仿真算法模块8得出模拟生物质发酵过程的仿真数据,从而实现生物质发酵过程的动态仿真。
Claims (4)
1.一种基于生物质发酵仿真系统的设备选型方法,其特征在于,包括如下步骤:
S1:在生物质发酵仿真系统中输入原料参数,根据原料参数得出原料反应周期消纳量;
S2:根据步骤S1中所述的原料反应周期消纳量,得到前处理装置的规模;
S3:利用反应器备储系数,并根据步骤S1中所述的原料反应周期消纳量及反应器备储系数,得到反应器规模;
S4:包括建立原料反应曲线数据库,根据原料反应曲线数据库中的原料反应曲线数据,及步骤S2中所述的前处理装置的规模,及S3中所述的反应器规模,得出系统的日均进出料量;
S5:根据步骤S4中所述的日均进出料量,得出沼渣沼液产生量;将所述日均进出料量结合当地的气候条件参数,算出生物质发酵系统的热量损耗量及热量需求量;
S6:根据反应器规模和原料类型得出搅拌破壳频率和原料发酵过程中产生的气体成分;
S7:根据反应器规模、原料浓度参数和原料反应特性参数,同时利用水场作用原理参数得到产气率;
S8:通过所述日均进出料量和产气率得出产气量,根据产气量得出储气柜容量;
S9:根据步骤S6中生成的气体成分确定脱硫工艺;
S10:根据产气量和步骤S9中的脱硫工艺得出生物质发酵系统的发电机装机容量;根据发电机装机容量确定发电系统的余热量;
S11:根据余热量和步骤S5中的热量损耗量及热量需求量,得到供热机组容量。
2.根据权利要求1所述的一种基于生物质发酵仿真系统的设备选型方法,其特征在于,所述原料参数包括原料日产量和原料反应周期参数。
3.一种采用如权利要求1~2中任一权利要求所述基于生物质发酵仿真系统的设备选型方法的生物质发酵仿真系统,其特征在于,包括参数输入模块(1)、参数识别模块(3)、生物质发酵仿真模块(2)、优化控制模块(4)、仿真显示模块(5)和规模参数输出模块(6);所述参数输入模块(1)用于输入标准化参数和非标准化参数;所述参数识别模块(3)用于识别输入的标准化参数或非标准化参数,根据识别出来的标准化参数或非标准化参数调取模型数据库中的参数模型;所述生物质发酵仿真模块(2)根据所调取的参数模型,进行发酵过程的动态仿真模拟;所述优化控制模块(4)根据最优化算法控制生物质发酵仿真模块(2),通过仿真显示模块(5)对生物质发酵工程的结构和生物发酵行为进行动态仿真,所述规模参数输出模块(6)用于输出生物质发酵设备的种类和设备规模参数。
4.根据权利要求3所述的一种生物质发酵仿真系统,其特征在于,所述生物质发酵仿真模块(2)包括模型预处理模块(7)和仿真算法模块(8),所述模型预处理模块(7)用于参数化从模型数据库调取的参数模型,所述参数模型包括生物质发酵工程的工艺过程模型和工艺设备模型,根据仿真算法模块(8)得出模拟生物质发酵过程的仿真数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710827400.3A CN107491622B (zh) | 2017-09-14 | 2017-09-14 | 一种生物质发酵仿真系统及基于该系统的设备选型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710827400.3A CN107491622B (zh) | 2017-09-14 | 2017-09-14 | 一种生物质发酵仿真系统及基于该系统的设备选型方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107491622A CN107491622A (zh) | 2017-12-19 |
CN107491622B true CN107491622B (zh) | 2020-05-22 |
Family
ID=60651634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710827400.3A Active CN107491622B (zh) | 2017-09-14 | 2017-09-14 | 一种生物质发酵仿真系统及基于该系统的设备选型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107491622B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199123B (zh) * | 2020-01-03 | 2023-06-13 | 长沙有色冶金设计研究院有限公司 | 一种高浓度全尾砂浓密工艺仿真优化方法 |
CN112029911A (zh) * | 2020-09-14 | 2020-12-04 | 中国华电科工集团有限公司 | 一种厌氧发酵的控制方法及控制系统 |
CN116467835B (zh) * | 2023-02-07 | 2024-01-26 | 山东申东发酵装备有限公司 | 一种啤酒发酵罐监控系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201634672U (zh) * | 2010-03-09 | 2010-11-17 | 张赛仕 | 机电一体化废弃秸秆沼气集中供气系统 |
US8818562B2 (en) * | 2011-06-04 | 2014-08-26 | Invensys Systems, Inc. | Simulated fermentation process |
CN103525696B (zh) * | 2012-07-04 | 2015-08-26 | 神华集团有限责任公司 | 一种用于多阶段生物质发酵反应体系的监控系统及其监控方法 |
CN104036083B (zh) * | 2014-06-13 | 2017-04-05 | 北京农业职业学院 | 一种干酪加工仿真系统 |
CN106546819B (zh) * | 2016-09-20 | 2019-02-12 | 北京化工大学 | 一种量测滞后下的发酵过程生物量在线检测方法 |
-
2017
- 2017-09-14 CN CN201710827400.3A patent/CN107491622B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107491622A (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Clercq et al. | Interpretable machine learning for predicting biomethane production in industrial-scale anaerobic co-digestion | |
Sathish et al. | Parametric optimization for floating drum anaerobic bio-digester using Response Surface Methodology and Artificial Neural Network | |
CN107491622B (zh) | 一种生物质发酵仿真系统及基于该系统的设备选型方法 | |
Thamsiriroj et al. | Modelling mono-digestion of grass silage in a 2-stage CSTR anaerobic digester using ADM1 | |
Olatunji et al. | Performance evaluation of ANFIS and RSM modeling in predicting biogas and methane yields from Arachis hypogea shells pretreated with size reduction | |
Manjusha et al. | Mathematical modeling and simulation of anaerobic digestion of solid waste | |
Khanal et al. | Artificial intelligence and machine learning for smart bioprocesses | |
Yao et al. | Modelling nutrient flows in a simplified local food-energy-water system | |
Chiu et al. | Key wastes selection and prediction improvement for biogas production through hybrid machine learning methods | |
Borek et al. | The analysis of a prototype installation for biogas production from chosen agricultural substrates | |
Inayat et al. | Process simulation and optimization of anaerobic Co-digestion | |
Lamidi et al. | Evaluation of CHP for electricity and drying of agricultural products in a Nigerian rural community | |
CN115471074A (zh) | 一种综合能源微网的规划模型构建方法 | |
Diop et al. | Modeling and specific growth rates estimation of a two-stage anaerobic digestion process for hydrogen and methane production | |
Arifan et al. | Kinetic study of biogas production from animal manure and organic waste in Semarang City by using anaerobic digestion method | |
Pathmasiri et al. | Simulation of a biogas reactor for dairy manure | |
Mossissa | Development of a techno-economic analysis tool for anaerobic digestion in smallholder farming systems in the context of the water-energy-food nexus | |
Omarov et al. | Opportunities and potential of bioenergy development in agroindustrial complexes of Kazakhstan | |
Sathish et al. | Development of ANN models for optimization of methane yield from floating dome digester | |
CN104093671A (zh) | 利用有机废物生物消化生产高含量甲烷沼气的厌氧工艺 | |
Urazaeva et al. | Biogas production: Current state and mathematical modelling | |
Komarysta et al. | OPTIMIZING BIOGAS PRODUCTION USING ARTIFICIAL NEURAL NETWORK. | |
Aworanti et al. | Mathematical modeling for the conversion of animal waste to methane on batch bioreactor | |
Swami et al. | Integration of anaerobic digestion with artificial intelligence to optimise biogas plant operation | |
Belaid et al. | Optimization of biogas production from sewage sludge |
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 |