CN110728039A - 基于遗传算法的炭化可燃物单峰热解动力学参数计算方法 - Google Patents
基于遗传算法的炭化可燃物单峰热解动力学参数计算方法 Download PDFInfo
- Publication number
- CN110728039A CN110728039A CN201910922184.XA CN201910922184A CN110728039A CN 110728039 A CN110728039 A CN 110728039A CN 201910922184 A CN201910922184 A CN 201910922184A CN 110728039 A CN110728039 A CN 110728039A
- Authority
- CN
- China
- Prior art keywords
- pyrolysis
- formula
- alpha
- unimodal
- carbonized
- 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.)
- Granted
Links
Images
Landscapes
- Processing Of Solid Wastes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法,具体包括:利用炭化可燃物热解的单步反应原理,确定反应机理函数g(α);根据确定的反应机理函数g(α),利用等转化率法KAS法求取炭化可燃物单峰热解的活化能值E和指前因子A;确定活化能值E、指前因子A和炭生成率v的优化范围;根据基因遗传算法在优化范围内对活化能值E、指前因子A和生成率v进行优化计算,在局部最优和全局最优时输出计算结果。本发明的有益效果是:简化了确定炭化可燃物单峰热解最有可能的反应机理函数的过程,缩短了确定反应机理函数的时间;降低了求解炭化可燃物单峰热解动力学参数的难度,提高了计算精度和效率。
Description
技术领域
本发明涉及智能算法应用领域,尤其涉及一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法。
背景技术
热解是常见的一种固体物质受热分解的反应过程,热解技术得到了广泛的应用,主要归纳为三个方面的应用:首先,固体物质热解会产生气体、液体等多种形式的产物,这些产物可以作为能源利用。例如,DOI为10.1016/j.enconman.2016.11.016的论文“Comparative pyrolysis behaviors and reaction mechanisms of hardwood andsoftwood”指出热解是木质生物质能源开发利用的一项有前景的技术,可以作为能源转化的一个环节。其次,热解作为一种处理城市垃圾和各种有机废弃物的技术,得到了广泛的认可。最后,火灾事故的发生,使得人们对炭化可燃物燃烧机理等知识的研究不断深入,热解作为物质燃烧的第一步也被广泛关注。但是,热解分析过程中,有很多因素会影响分析的准确性,比如,环境、温度、升温速率等。
目前,炭化固体可燃物热解动力学参数是通过炭化可燃物热解过程中物理变化或化学反应得出的,主要包括活化能值E,指前因子A,炭生成率v,基于热解动力学参数大致确定炭化可燃物的反应机理函数。确定反应机理函数的方法,常常以模型匹配的形式进行,即列举出多个反应机理,根据求解的热解动力学参数,选择最接近的反应机理函数,但这种方式得到的反应机理函数并不能完全的表现出炭化可燃物的热解过程。因此,必须在实验数据的基础上,在求解炭化可燃物的热解动力学参数和反应机理函数之后,对其进行优化。
发明内容
本发明针对现有炭化可燃物单峰热解动力学参数求解存在的问题,提供一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法,该方法简化了确定炭化可燃物单峰热解最有可能的反应机理函数的过程,缩短了确定反应机理函数的时间;降低了求解可燃物单峰热解动力学参数的难度,提高了计算精度和效率。
本发明解决其技术问题,所采用的基于遗传算法的炭化可燃物单峰热解动力学参数计算方法,包含如下步骤:
S101:利用炭化可燃物热解的单步反应原理,确定反应机理函数g(α);
S102:根据确定的反应机理函数g(α),利用等转化率KAS法求取炭化可燃物单峰热解的活化能值E和指前因子A;
S103:确定活化能值E、指前因子A和炭生成率v的优化范围;
S104:根据基因遗传算法在优化范围内对活化能值E、指前因子A和生成率v进行优化计算,在局部最优和全局最优时输出计算结果。
进一步地,步骤S101具体如下:
炭化可燃物热解的单步反应公式如式7所示:
式(7)中,g(α)为反应机理函数,A为指前因子,E为活化能值,R为普适气体常数,β为升温速率,α为转化率,p(y)表示一个积分公式,其表达式如式(8)所示:
式(8)中,y=E/RT,yα=E/RTα,T为绝对温度,Tα为某一特定的转化率下的绝对温度。取多组升温速率下相同温度对应的转化率α,带入不同的反应机理函数g(α),当ln(g(α))与lnβ的斜率与-1的差值小于预设的阈值α,且对应的线性相关系数R2与1的差值小于预设的阈值β时,此时带入的反应机理函数g(α)即为反应机理函数。
进一步地,步骤S102具体如下:
等转化率KAS法公式如式(9)所示:
进一步地,步骤S103中,活化能值E和指前因子A的优化范围分别为其各自当前值,上下浮动50%,即活化能值E的优化范围为当前E取值的(50%*E,150%*E);指前因子A的优化范围为当前A取值的(50%*A,150%*A);炭生成率v的优化范围预设为(0.5,0.95)。
进一步地,步骤S104中根据基因遗传算法在优化范围内对活化能值E、指前因子A和生成率v进行优化计算所采用的适应度函数值φ为预测值和实验值的偏差程度,具体计算公式如式(10)所示:
式(10)中,φm、φmlr、φα和φdα/dt分别表示质量损失、质量损失速率、转化率、转化速率的目标函数;N表示实验次数;n表示每个实验的实验数据点的个数;CMLmod、CMLexp表示累积质量损失的模拟值和实验值;MLRmod、MLRexp表示质量损失速率的模拟值和实验值;αmod,αexp表示转化率的模拟值和实验值;dα/dtmod、dα/dtexp表示转化速率的模拟值和实验值;wCML、wMLR、wα、wdα/dt表示质量损失、质量损失速率、转化率转化速率的权重系数。
进一步地,步骤S104中所述的实验值,计算公式如式(11)所示:
式(11)中,mt表示反应瞬时的质量,m0表示样品初始质量,m∞表示最终的质量。
步骤S104中所述计算结果包括:转化率α、转化速率dα/dt、质量损失m/m0和质量损失速率d(m/m0)/dt,其计算公式如式(12)所示:
式(12)中,t表示时间,m、m0表示炭化可燃物热解瞬时质量和初始质量,R为普适气体常数,T为绝对温度,i表示更新迭代次数。
本发明提供的技术方案带来的有益效果是:简化了确定炭化可燃物单峰热解最有可能的反应机理函数的过程,缩短了确定反应机理函数的时间;降低了求解炭化可燃物单峰热解动力学参数的难度,提高了计算精度和效率。
附图说明
图1为本发明所述的基于遗传算法的炭化可燃物单峰热解动力学参数计算方法的流程图;
图2为本发明实施案例一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法得到的以外墙保温材料EPS单峰热解为例的转化率α的模拟值和实验值对比图;
图3所示为本发明实施案例一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法得到的以外墙保温材料EPS单峰热解为例的转化速率dα/dt的模拟值和实验值对比图;
图4所示为本发明实施案例一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法得到的以外墙保温材料EPS单峰热解为例的质量损失m/m0的模拟值和实验值对比图;
图5所示为本发明实施案例一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法得到的以外墙保温材料EPS单峰热解为例的质量损失速率d(m/m0)/dt的模拟值和实验值对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1和图2,本发明的实施例提供了一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法:
S101:利用炭化可燃物热解的单步反应原理,确定反应机理函数g(α);
S102:根据确定的反应机理函数g(α),利用等转化率KAS法求取炭化可燃物单峰热解的活化能值E和指前因子A;
S103:确定活化能值E、指前因子A和炭生成率v的优化范围;
S104:根据基因遗传算法在优化范围内对活化能值E、指前因子A和生成率v进行优化计算,在局部最优和全局最优时输出计算结果。
步骤S101具体如下:
炭化可燃物热解的单步反应公式如式13所示:
式(13)中,g(α)为反应机理函数,A为指前因子,E为活化能值,R为普适气体常数,β为升温速率,α为转化率,p(y)表示一个积分公式,其表达式如式(14)所示:
式(14)中,y=E/RT,yα=E/RTα,T为绝对温度,Tα为某一特定的转化率下的绝对温度。取多组升温速率下相同温度对应的转化率α,带入不同的反应机理函数g(α),当ln(g(α))与lnβ的斜率与-1的差值小于预设的阈值α,且对应的线性相关系数R2与1的差值小于预设的阈值β时,此时带入的反应机理函数g(α)即为反应机理函数。
步骤S102具体如下:
等转化率KAS法公式如式(15)所示:
步骤S103中,活化能值E和指前因子A的优化范围分别为其各自当前值,上下浮动50%,即活化能值E的优化范围为当前E取值的(50%*E,150%*E);指前因子A的优化范围为当前A取值的(50%*A,150%*A);炭生成率v的优化范围预设为(0.5,0.95)。
步骤S104中根据基因遗传算法在优化范围内对活化能值E、指前因子A和生成率v进行优化计算所采用的适应度函数值φ为预测值和实验值的偏差程度,具体计算公式如式(16)所示:
式(16)中,φm、φmlr、φα和φdα/dt分别表示质量损失、质量损失速率、转化率、转化速率的目标函数;N表示实验次数;n表示每个实验的实验数据点的个数;CMLmod、CMLexp表示累积质量损失的模拟值和实验值;MLRmod、MLRexp表示质量损失速率的模拟值和实验值;αmod,αexp表示转化率的模拟值和实验值;dα/dtmod、dα/dtexp表示转化速率的模拟值和实验值;wCML、wMLR、wα、wdα/dt表示质量损失、质量损失速率、转化率转化速率的权重系数。
步骤S104中所述的实验值,计算公式如式(17)所示:
式(17)中,mt表示反应瞬时的质量,m0表示样品初始质量,m∞表示最终的质量。
步骤S104中所述计算结果包括:转化率α、转化速率dα/dt、质量损失m/m0和质量损失速率d(m/m0)/dt,其计算公式如式(18)所示:
式(18)中,t表示时间,m、m0表示炭化可燃物热解瞬时质量和初始质量,R为普适气体常数,T为绝对温度,i表示更新迭代次数。
步骤S101中外墙保温材料EPS单峰热解,该热解单步反应公式:固体→v炭+(1-v)挥发物,v为炭生成率。首先列出最常见的反应机理函数,如表所示:
取EPS在相同温度下,升温速率为5,20,80K/min的转化率α带入表中列出的29个最常见的反应机理函数中,分别计算各反应机理函数的lng(α)形式与lnβ的斜率和相关系数R2。其中,反应机理函数为F3/4,即g(α)=1-(1-α)1/4的lng(α)形式与lnβ的斜率为1.012,相关系数R2为0.95,最接近上述要求。因此,确定EPS的反应机理函数为g(α)=1-(1-α)1/4。
步骤S102中外墙保温材料EPS单峰在氮气环境中热解,EPS的反应机理函数为g(α)=1-(1-α)1/4,通过等转化率法KAS法公式:
在不同的升温速率下(5,20,80K/min),取不同的温度,由ln(β/T2)与1/T的斜率,求出活化能值105.14kJ/mol,由截距ln(AE/Rg(α))得到指前因子A,因为A的值比较大,所以用lnA的形式表示,lnA为14.11[ln(s-1)]。然后继续进行步骤S103、S104,完成数据的计算,具体可参见图2-图5,其中图2为本发明实施案例一中算法得到的以外墙保温材料EPS单峰热解为例热解的转化率α的模拟值和实验值对比图,图3为本发明实施案例一中算法得到的以外墙保温材料EPS单峰热解为例热解的转化速率dα/dt的模拟值和实验值对比图,图4为本发明实施案例一中算法得到的以外墙保温材料EPS单峰热解为例热解的质量损失m/m0的模拟值和实验值对比图,图5为本发明实施案例一中算法得到的以外墙保温材料EPS单峰热解为例热解的质量损失速率d(m/m0)/dt的模拟值和实验值对比图。
本发明提供的技术方案带来的有益效果是:简化了确定炭化可燃物单峰热解最有可能的反应机理函数的过程,缩短了确定反应机理函数的时间;降低了求解炭化可燃物单峰热解动力学参数的难度,提高了计算精度和效率。
在本文中,所涉及的前、后、上、下等方位词是以附图中各装置位于图中以及设备相互之间的位置来定义的,只是为了表达技术方案的清楚及方便。应当理解,所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法,其特征在于:具体包括如下步骤:
S101:利用炭化可燃物热解的单步反应原理,确定反应机理函数g(α);
S102:根据确定的反应机理函数g(α),利用等转化率KAS法求取炭化可燃物单峰热解的活化能值E和指前因子A;
S103:确定活化能值E、指前因子A和炭生成率v的优化范围;
S104:根据基因遗传算法在优化范围内对活化能值E、指前因子A和生成率v进行优化计算,在局部最优和全局最优时输出计算结果。
2.如权利要求1所述的一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法,其特征在于:步骤S101具体如下:
炭化可燃物热解的单步反应公式如式1所示:
式(1)中,g(α)为反应机理函数,A为指前因子,E为活化能值,R为普适气体常数,β为升温速率,α为转化率,p(y)表示一个积分公式,其表达式如式(2)所示:
式(2)中,y=E/RT,yα=E/RTα,T为绝对温度,Tα为某一特定的转化率下的绝对温度。取多组升温速率下相同温度对应的转化率α,带入不同的反应机理函数g(α),当ln(g(α))与lnβ的斜率与-1的差值小于预设的阈值α,且对应的线性相关系数R2与1的差值小于预设的阈值β时,此时带入的反应机理函数g(α)即为反应机理函数。
4.如权利要求1所述的一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法,其特征在于:步骤S103中,活化能值E和指前因子A的优化范围分别为其各自当前值,上下浮动50%,即活化能值E的优化范围为当前E取值的(50%*E,150%*E);指前因子A的优化范围为当前A取值的(50%*A,150%*A);炭生成率v的优化范围预设为(0.5,0.95)。
5.如权利要求1所述的一种基于遗传算法的炭化可燃物单峰热解动力学参数计算方法,其特征在于:步骤S104中根据基因遗传算法在优化范围内对活化能值E、指前因子A和生成率v进行优化计算所采用的适应度函数值φ为预测值和实验值的偏差程度,具体计算公式如式(4)所示:
式(4)中,φm、φmlr、φα和φdα/dt分别表示质量损失、质量损失速率、转化率、转化速率的目标函数;N表示实验次数;n表示每个实验的实验数据点的个数;CMLmod、CMLexp表示累积质量损失的模拟值和实验值;MLRmod、MLRexp表示质量损失速率的模拟值和实验值;αmod,αexp表示转化率的模拟值和实验值;dα/dtmod、dα/dtexp表示转化速率的模拟值和实验值;wCML、wMLR、wα、wdα/dt表示质量损失、质量损失速率、转化率转化速率的权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910922184.XA CN110728039B (zh) | 2019-09-27 | 2019-09-27 | 基于遗传算法的炭化可燃物单峰热解动力学参数计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910922184.XA CN110728039B (zh) | 2019-09-27 | 2019-09-27 | 基于遗传算法的炭化可燃物单峰热解动力学参数计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728039A true CN110728039A (zh) | 2020-01-24 |
CN110728039B CN110728039B (zh) | 2021-11-05 |
Family
ID=69218466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910922184.XA Active CN110728039B (zh) | 2019-09-27 | 2019-09-27 | 基于遗传算法的炭化可燃物单峰热解动力学参数计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728039B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462831A (zh) * | 2020-03-12 | 2020-07-28 | 中国地质大学(武汉) | 一种基于模拟退火算法的可燃物热解动力学参数计算方法 |
CN112464395A (zh) * | 2020-11-03 | 2021-03-09 | 潍柴动力股份有限公司 | 发动机的物理模型参数标定方法和装置 |
CN115019897A (zh) * | 2022-06-27 | 2022-09-06 | 重庆工商大学 | 一种基于遗传算法的油类氧化反应动力学模型确定方法 |
CN116741293A (zh) * | 2023-06-19 | 2023-09-12 | 中国中医科学院中药研究所 | 一种用于炮制火力火候量化的方法 |
CN115019897B (zh) * | 2022-06-27 | 2024-06-04 | 重庆工商大学 | 一种基于遗传算法的油类氧化反应动力学模型确定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776765A (zh) * | 2009-11-16 | 2010-07-14 | 北京航空航天大学 | 一种多系统兼容接收机频点选择方法 |
EP2155839B1 (en) * | 2007-06-11 | 2014-09-24 | Neste Oil Oyj | Process for producing branched hydrocarbons |
CN108229721A (zh) * | 2017-12-04 | 2018-06-29 | 西北大学 | 基于改进型bp神经网络的煤热解产物的预测方法 |
CN108345933A (zh) * | 2018-01-03 | 2018-07-31 | 杭州电子科技大学 | 基于混沌dna遗传算法的重油热解过程建模方法 |
CN108985006A (zh) * | 2018-08-03 | 2018-12-11 | 中国科学技术大学 | 多重升温模式下热解动力学参数和机理函数获取方法 |
CN110180510A (zh) * | 2019-06-03 | 2019-08-30 | 河海大学 | 一种减缓水库“翻库”现象的纳米薄膜及装置 |
-
2019
- 2019-09-27 CN CN201910922184.XA patent/CN110728039B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2155839B1 (en) * | 2007-06-11 | 2014-09-24 | Neste Oil Oyj | Process for producing branched hydrocarbons |
CN101776765A (zh) * | 2009-11-16 | 2010-07-14 | 北京航空航天大学 | 一种多系统兼容接收机频点选择方法 |
CN108229721A (zh) * | 2017-12-04 | 2018-06-29 | 西北大学 | 基于改进型bp神经网络的煤热解产物的预测方法 |
CN108345933A (zh) * | 2018-01-03 | 2018-07-31 | 杭州电子科技大学 | 基于混沌dna遗传算法的重油热解过程建模方法 |
CN108985006A (zh) * | 2018-08-03 | 2018-12-11 | 中国科学技术大学 | 多重升温模式下热解动力学参数和机理函数获取方法 |
CN110180510A (zh) * | 2019-06-03 | 2019-08-30 | 河海大学 | 一种减缓水库“翻库”现象的纳米薄膜及装置 |
Non-Patent Citations (3)
Title |
---|
A.M.HASOFER: "Modemsensitivityanalysisof theCESARE-Riskcomputerfiremodel", 《FIRESAFETY JOURNAL》 * |
刘浩然: "典型生物质热解动力学行为及SCE算法优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
许立: "固体可燃物热解模型参数的实验及理论研究", 《中国博士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462831A (zh) * | 2020-03-12 | 2020-07-28 | 中国地质大学(武汉) | 一种基于模拟退火算法的可燃物热解动力学参数计算方法 |
CN112464395A (zh) * | 2020-11-03 | 2021-03-09 | 潍柴动力股份有限公司 | 发动机的物理模型参数标定方法和装置 |
CN115019897A (zh) * | 2022-06-27 | 2022-09-06 | 重庆工商大学 | 一种基于遗传算法的油类氧化反应动力学模型确定方法 |
CN115019897B (zh) * | 2022-06-27 | 2024-06-04 | 重庆工商大学 | 一种基于遗传算法的油类氧化反应动力学模型确定方法 |
CN116741293A (zh) * | 2023-06-19 | 2023-09-12 | 中国中医科学院中药研究所 | 一种用于炮制火力火候量化的方法 |
CN116741293B (zh) * | 2023-06-19 | 2024-01-30 | 中国中医科学院中药研究所 | 一种用于炮制火力火候量化的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110728039B (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728039B (zh) | 基于遗传算法的炭化可燃物单峰热解动力学参数计算方法 | |
CN110544513B (zh) | 基于单峰热解曲线的炭化可燃物热解动力学参数计算方法 | |
Babu et al. | Heat transfer and kinetics in the pyrolysis of shrinking biomass particle | |
Rein et al. | Application of genetic algorithms and thermogravimetry to determine the kinetics of polyurethane foam in smoldering combustion | |
Li et al. | Application of distributed activation energy models to polymer pyrolysis: Effects of distributed model selection, characteristics, validation, and sensitivity analysis | |
Cai et al. | Pattern search method for determination of DAEM kinetic parameters from nonisothermal TGA data of biomass | |
Nasrudin et al. | Performance comparison of feedforward neural network training algorithms in modelling microwave pyrolysis of oil palm fibre for hydrogen and biochar production | |
CN111312337A (zh) | 基于热重实验的单峰可燃物热解反应机理模型确定方法 | |
Costaa et al. | Optimal tuning of a thermo-chemical equilibrium model for downdraft biomass gasifiers | |
Shinde et al. | Detailed gas-phase kinetics and reduced reaction mechanism for methane pyrolysis involved in CVD/CVI processes | |
Arloff et al. | A parameter estimation method for stiff ordinary differential equations using particle swarm optimisation | |
Khonde et al. | Prediction of product gas composition from biomass gasification by the method of Gibbs free energy minimization | |
Kumar et al. | Modeling and analysis of single particle conversion of biomass in a packed bed gasification system | |
De Souza et al. | Multi-objective optimization for methane, glycerol, and ethanol steam reforming using lichtenberg algorithm | |
Perera et al. | Kissinger method: the sequential approach and DAEM for kinetic study of rubber and gliricidia wood | |
Miljkovic et al. | Modeling for pyrolysis of solid biomass | |
Dhaundiyal et al. | Analysis of the non isothermal distributed activation energy model for biomass pyrolysis by Fuzzy Gaussian distribution | |
Kashyap et al. | Development of a non-stoichiometric equilibrium model of downdraft gasifier | |
Elliott et al. | A novel approach to mechanism reduction optimization for an aviation fuel/air reaction mechanism using a genetic algorithm | |
CN111462831B (zh) | 一种基于模拟退火算法的可燃物热解动力学参数计算方法 | |
Nakabayashi et al. | A process simulator based on hybrid model of physical model and Just-In-Time model | |
Wang et al. | A comparative study of GA, PSO and SCE algorithms for estimating kinetics of biomass pyrolysis | |
Tsyganov et al. | Modeling of a microwave plasma driven biomass pyrolitic conversion for energy production | |
Mora | Finite Rate Reaction Mechanism Adapted for Modeling Pseudo-Equilibrium Pyrolysis of Cellulose | |
Kasmuri | Development of optimization model and artificial neural network technique for production bio-methanol via pyrolysis |
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 |