WO2022230035A1 - 廃油を利用した最適化燃料演算装置 - Google Patents

廃油を利用した最適化燃料演算装置 Download PDF

Info

Publication number
WO2022230035A1
WO2022230035A1 PCT/JP2021/016710 JP2021016710W WO2022230035A1 WO 2022230035 A1 WO2022230035 A1 WO 2022230035A1 JP 2021016710 W JP2021016710 W JP 2021016710W WO 2022230035 A1 WO2022230035 A1 WO 2022230035A1
Authority
WO
WIPO (PCT)
Prior art keywords
waste oil
biofuel
oil
fuel
optimization
Prior art date
Application number
PCT/JP2021/016710
Other languages
English (en)
French (fr)
Inventor
佐原邦宏
Original Assignee
株式会社ティービーエム
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社ティービーエム filed Critical 株式会社ティービーエム
Priority to JP2021523531A priority Critical patent/JPWO2022230035A1/ja
Priority to PCT/JP2021/016710 priority patent/WO2022230035A1/ja
Publication of WO2022230035A1 publication Critical patent/WO2022230035A1/ja

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
    • C10L1/00—Liquid carbonaceous fuels
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
    • C10L3/00—Gaseous fuels; Natural gas; Synthetic natural gas obtained by processes not covered by subclass C10G, C10K; Liquefied petroleum gas

Definitions

  • the present invention relates to an optimizing fuel calculation device that is used to manufacture optimal and high-quality biofuel according to the user's application when producing fuel using waste oil from restaurants, food factories, etc.
  • the Paris Agreement is an agreement that establishes an international framework for global warming countermeasures from 2020 onwards. aims to achieve net zero greenhouse gas emissions.
  • SDGs Sustainable Development Goals
  • wastewater oils and fats which are biomass resources discharged throughout Japan, amount to more than 300,000 tons annually for restaurants, and more than 800,000 tons for food factories, totaling more than 1.1 million tons annually. An even greater amount.
  • a system has been developed in which a unique biomass fuel is produced from wastewater oils and fats that had to be disposed of as industrial waste as such sludge, and biomass power generation is performed with a diesel generator (see, for example, Patent Documents 1 to 3). .
  • Providing this biomass power generation system can bring about CO2 reduction, recycling, and water purification.
  • waste oils that are separated and recovered in the process of purifying waste water from restaurants, food factories, etc. There is these waste oils vary from low-acid-value oils to high-acid-value oils, have high water content, are solid or liquid at room temperature, and contain many impurities. Therefore, it is not easy to know how much of such various waste oils should be used and what kind of treatment should be performed to produce an optimized biofuel.
  • the second problem is whether the user uses the biofuel refined from waste oil, for example, as a fuel for power generation, as an alternative fuel to A heavy oil for boilers and incinerators, or as a clean energy such as hydrogen.
  • waste oil for example, as a fuel for power generation, as an alternative fuel to A heavy oil for boilers and incinerators, or as a clean energy such as hydrogen.
  • There are various things such as whether it is used as a source. Therefore, it has been desired to manufacture an optimal biofuel from waste oil in stock so as to meet the user's application, but it has not been realized yet.
  • the present invention has been made in view of the above problems, and provides an optimization fuel calculation device that uses waste oil such as wastewater oil as a raw material and performs automatic calculations to obtain optimal and high-quality biofuel according to user applications. intended to provide
  • the present invention provides an optimization fuel computing device that automatically calculates the optimal biofuel that can be produced from waste oil, which is a biomass resource, comprising: a storage unit for holding data related to waste oil; A machine learning model to which information about waste oil stored in a unit is input, and an optimization calculation execution unit that uses the machine learning model to perform optimization calculations for producing biofuel from waste oil,
  • the data on the waste oil stored in the storage section includes the type, amount and acid value of the waste oil, and the optimization calculation execution section stores the acid value of the waste oil, the cetane number and calorific value of the produced biofuel, and the like. It is characterized by determining the optimum type of biofuel that can be produced and the mixing ratio of the waste oil based on at least one of the combustion characteristics.
  • the optimization calculation execution unit preferably outputs at least one result of the type, amount, acid value, combustion characteristics, and component characteristics of the biofuel to be produced based on the determination. .
  • the waste oil includes at least one of facility floating oil, high acid value oil, grease trap oil sludge, wastewater oil, and household waste oil, and the optimum type of biofuel that can be produced
  • the liquid fuel includes a fuel for power generation
  • the gaseous fuel includes biogas and hydrogen.
  • the cetane number and calorific value of the main component oil type Combustion characteristics such as sulfur component characteristics, calcium hydroxide, potassium hydroxide or sodium hydroxide input amount and oil separation ratio based on the acid value of waste oil, and the results of applying various biofuel production technologies, at least Preferably one or more are provided as library data.
  • This fuel optimization calculation device further comprises an input unit for inputting information about a desired biofuel, and the optimization calculation execution unit manufactures the desired biofuel input via the input unit from waste oil. It is preferable to perform an optimization operation for
  • This fuel optimization computing device further comprises a communication unit that realizes communication connection to a communication network, and the fuel optimization computing device acquires data related to waste oil stored in the storage unit via the communication unit. preferably.
  • the present invention provides an optimization fuel calculation method for automatically calculating the optimum biofuel that can be produced from waste oil, which is a biomass resource, comprising: a storage step of holding data related to waste oil; and an optimization calculation execution step of executing an optimization calculation for producing biofuel from waste oil using a machine learning model to which information about waste oil stored in the storage step is input, and stored in the storage step.
  • the data related to the waste oil includes the type, amount and acid value of the waste oil, and in the optimization calculation step, at least one of the combustion characteristics of the acid value of the waste oil, the cetane number of the biofuel to be produced, and the calorific value Based on the above, the optimum type of biofuel that can be produced is determined, and the mixing ratio of the waste oil is determined.
  • the present invention provides a program for use in an optimization fuel calculation device that automatically calculates the optimum biofuel that can be produced from waste oil, which is a biomass resource, and a memory that holds data on waste oil. and an optimization calculation execution step of executing an optimization calculation for producing biofuel from waste oil using a machine learning model to which information about waste oil stored in the storing step is input, wherein
  • the data on the waste oil stored in the storing step includes the type, amount and acid value of the waste oil, and in the optimization calculation step, the acid value of the waste oil, the cetane number of the biofuel to be produced and the combustion calorific value. It is characterized by determining the optimum type of biofuel that can be produced and the mixing ratio of the waste oil based on at least one of the characteristics.
  • the present invention is an optimization fuel calculation device that automatically calculates the optimum biofuel that can be produced from waste oil, which is a biomass resource, and includes a storage unit that holds data related to waste oil and information related to waste oil stored in the storage unit. is input, and an optimization calculation execution unit that executes optimization calculations for producing biofuel from waste oil using the machine learning model.
  • the data on the waste oil stored in the storage section includes the type, amount and acid value of the waste oil, and the optimization calculation execution section stores the acid value of the waste oil, the cetane number and the calorific value of the biofuel to be produced, and the like. Based on at least one of the characteristics, the optimum type of biofuel that can be produced is determined, and the mixing ratio of the waste oil is determined.
  • the optimized fuel calculation device can perform automatic calculation to obtain optimal and high-quality biofuel according to the user's application, using waste oil such as wastewater oil as a raw material.
  • FIG. 1 is an overall process diagram for biofuel utilization with an optimized fuel calculation device according to an embodiment of the present invention
  • FIG. It is a figure which shows an example of the oil-mud separation apparatus which can be used for the process same as the above.
  • FIG. 2 is an overall configuration diagram of the same optimized fuel calculation device;
  • FIG. 2 is a functional block diagram of the optimized fuel calculation device;
  • FIG. 4 is a functional block diagram relating to the optimization calculation function of the optimization fuel calculation device;
  • FIG. 4 is a diagram showing an example of the overall flow when using the same optimized fuel calculation device.
  • FIG. 10 is a diagram showing an example of the flow of converting oil-containing by-products discharged in biofuel production using the same optimization fuel arithmetic unit into clean energy.
  • FIG. 10 is a diagram showing an example of the flow of converting oil-containing by-products discharged in biofuel production using the same optimization fuel arithmetic unit into clean energy.
  • FIG. 4 is an explanatory diagram of fuel performance calculated by the same optimized fuel calculation device; It is a figure which shows the training data (library data) based on the experimental example of this invention. It is explanatory drawing of the machine-learning model using the multivariable amount normal distribution in the example of an experiment same as the above.
  • FIG. 10 is an explanatory diagram of a deep learning model using an autoencoder in the experimental example; It is a figure which shows the prediction result at the time of using the machine-learning model in an experimental example same as the above. It is a figure which shows the prediction result at the time of using the deep-learning model in an experimental example same as the above.
  • FIG. 4 is an overall view of a system including an optimized fuel calculation device according to a modification of the embodiment;
  • waste oils such as wastewater oils and fats discharged from restaurants, food factories, etc., and waste cooking oils collected by local governments from the general public are recovered. These waste oils are local resources and biomass that are still unused or have a low degree of effective utilization.
  • biomass refers to "renewable, biologically derived organic resources excluding fossil resources".
  • waste biomass includes discarded paper, livestock manure, food waste, sewage sludge, and the like.
  • CO2 released by burning biomass is CO2 that is absorbed from the atmosphere through photosynthesis during the growth process of living organisms.By substituting biomass for energy and products derived from fossil resources, greenhouses are causing global warming. It can greatly contribute to the reduction of CO2 emissions, which is one of the effect gases.
  • wastewater from restaurants, fast food restaurants, hotels, food processing plants, etc. contains various water pollutants. If such wastewater is discharged without any treatment, oil and other substances in the wastewater adhere to the drain pipes and clog them. and have a negative impact on the environment.
  • a field agency a specialized company that the applicant provides its own know-how, provides guidance, training, and certifies
  • a grease trap is used to confine and prevent the flow of oil stains mixed with oil stains in the water, which contaminates the drainage path (sewage pipe) and pollutes the water of rivers and seas.
  • the technology for recovering biomass from the grease trap includes, for example, the device shown in Patent No. 4401007, which is a patent technology owned by the applicant, the device shown in Patent No. 4420750, and the device shown in Utility Model No. 3216173. Available.
  • field agents are agents that manage oil-water separation tanks in food factories, and recover biomass from these oil-water separation tanks. Specifically, oil sludge obtained from an oil-water separation tank in a food factory is separated into oil, water, and sludge using an oil-sludge separator, and the oil (that is, biomass) therein is recovered. Field agents also manage oil and mud separators.
  • oil/mud separation device for example, the applicant's technology as shown in Fig. 2 is used. Specifically, oil sludge is recovered from the oil-water separation tank 21 of the food factory via the oil sludge heating transfer device 22 and transferred into the oil sludge separation device 23 . In the heated oil/mud separator 23, water and mud with high specific gravity move to the lower layer, and oil with low specific gravity moves to the upper layer, so the oil in the upper layer is recovered as biomass. The oil content is recovered in a recovery tank 24 provided in a truck or the like, for example.
  • a mobile heat source that is insulated using a latent heat storage material (PCM: Phase Change Material) container such as a truck is used.
  • PCM latent heat storage material
  • the biomass collected at the food factory is carried into the biofuel manufacturing process.
  • biofuel is produced from the imported biomass based on the calculation results of the optimized fuel calculation device 1.
  • recovered waste oil contains a lot of water and foreign matter, and is low-quality biomass, such as solidifying at room temperature.
  • Fuel alternative fuel for heavy oil
  • fuel for clean energy e.g. hydrogen, biogas
  • biomass additive e.g., oil-containing by-products discharged in the refining process are used as raw materials, etc. Refining and reforming to produce biofuel Sell.
  • a biofuel production machine with a mixing function may be used to produce biofuel.
  • a private power generator diesel power generator
  • biofuel production can be performed with green power using the produced biofuel.
  • the methods disclosed in Japanese Patent Nos. 5269552 and 5452814 owned by the applicant can be used.
  • SMO sulfur-off fuel produced in the biofuel production process
  • SMO is used as a fuel source for on-site diesel power generators, for example.
  • SMO means oil that is reformed and manufactured without chemical synthesis from wastewater oils and fats containing a large amount of beef tallow and lard.
  • carbon-off fuel can be used in existing boilers and incinerators in factories, etc., and will be used as an alternative fuel to mineral oil such as A heavy oil.
  • applications that utilize biofuel as energy include (a) diesel power generation, (b) fuel for boilers and incinerators, (c) oil-containing by-products such as residual sludge discharged in the biofuel refining process, and high acid value oils and fats.
  • methane power generation using this as a material methane power generation combined with piggery manure and food residue is also possible
  • high-efficiency energy maintenance of clean centers using biomass additives and (d) hydrogen supply.
  • the optimized fuel calculation device 1 When the waste oil is collected, information on the collected amount, type, and acid value of the collected waste oil is input and held in the optimized fuel calculation device 1 (S302). In addition to direct input, this input may be input from a field agent, a remote industrial waste disposal company, or a waste oil recovery company via the Internet.
  • Acid value is one of the numerical values that serve as indicators of the production and deterioration of fats and oils.
  • the acid value is defined as the number of mg of potassium hydroxide or the like required to neutralize the free fatty acid contained in 1 g of fat by measuring the free fatty acid in the fat by titration. In general, the older the oil, the higher the acid number.
  • POV Peroxide Value
  • the acid value can be determined using a dedicated measuring instrument or using a simple test kit. Alternatively, the acid value of various types of waste oil may be set in advance according to the type of waste oil without measuring each time according to the type of waste oil.
  • the optimization fuel calculation device 1 performs calculation (inference) for manufacturing optimized biofuel from the stock waste oil on hand (S303). Specifically, (1) from the acid value of the stock waste oil, automatically determine the biofuel that can be manufactured at the present time, the amount of biofuel to be manufactured, the acid value, and the quality characteristics. Alternatively, (2) it is possible to automatically determine the manufacturing process using stock waste oil, the amount to be manufactured, and quality characteristics (combustion characteristics, etc.) according to the application for carbon neutrality.
  • bioliquid fuel fuel for power generation, alternative fuel to heavy oil, or mixed combustion (fuel improver)
  • methane gas power generation and mixed use with city gas
  • hydrogen hydrogen is generated from methane or SMO
  • the biofuel includes, for example, power generation fuel, carbon-off fuel, biogas, hydrogen, high value-added fuel, and bioplastic.
  • the optimized fuel calculation device 1 is a server computer, and for example, as shown in FIG. 16. Note that these may be clouded.
  • the control unit 10 uses a processor such as a CPU and memory to control the components of the device and implement various functions.
  • the optimization calculation unit 11 uses a processor and a memory to execute optimization calculations for fuel production in accordance with control instructions from the control unit 10 .
  • the storage unit 12 stores an optimization calculation program 1P and a machine learning library 1L that functions as a machine learning model.
  • the storage unit 12 also stores definition data defining the machine learning model, parameters including set values in the trained machine learning model, and the like.
  • the communication unit 13 is a communication module that realizes communication connection to a communication network such as the Internet.
  • a liquid crystal panel or the like is used for the display unit 14 .
  • the operating unit 15 includes a user interface such as a keyboard or mouse. The operation unit 15 notifies the control unit 10 of operation information by the user.
  • the reading unit 16 uses, for example, a disk drive, and can read the optimization calculation program and the machine learning library stored in the recording medium 2 using an optical disk or the like.
  • the control unit 10 of the optimized fuel calculation device 1 includes a learning processing execution unit 101 and an optimization calculation execution unit 102 utilizing AI (Artificial Intelligence).
  • AI Artificial Intelligence
  • the learning processing execution unit 101 functions as a machine learning model (machine learning engine) based on the machine learning library 1L, definition data, and parameter information stored in the storage unit 12. That is, the learning processing execution unit 101 uses the learning target machine learning model to execute processing for learning setting values (parameters, etc.) in the learning target machine learning model based on the learning data.
  • machine learning engine machine learning engine
  • the learning processing execution unit 101 minimizes the error between the output data (data related to manufactured biofuel) obtained by inputting the learning data to the entire machine learning model 112 and the known data for learning. and update the parameters (weights).
  • the parameters obtained by this learning process are stored in the storage unit 12 .
  • the optimization calculation execution unit 102 performs optimization calculations based on the optimization calculation program 1P stored in the storage unit 12 . That is, the optimization calculation execution unit 102 uses a machine learning model to perform a predetermined optimization calculation on input stock fats and oils. In addition, the optimization calculation execution unit 102 performs a function of inputting input data such as oil in stock and manufactured biofuel to the input unit 111 based on the user's operation using the operation unit 15 .
  • the input unit 111 of the optimization calculation unit 11 receives input of stock oil data and desired biofuel from the storage unit 12 and inputs them into the machine learning model.
  • Machine learning model 112 is used based on already learned parameters when using a trained model (e.g. selection of stock waste oil used for acid value adjustment), production method (e.g. application of various biofuel production technologies), etc. perform optimization calculations. That is, the machine learning model 112 uses feature quantities such as the acid value of stock oils and fats, the cetane number and other combustion characteristics of manufactured biofuel, and other component characteristics such as sulfur content (acid value of waste oil, biofuel to be manufactured). At least one feature value of combustion characteristics such as cetane number and calorific value) is taken out, optimization calculations such as selection of waste oil, mixing ratio, selection of manufacturing method are performed based on the extracted feature value, and the calculation result is used includes biofuel type, production volume and production process, and acid value adjustment.
  • a trained model e.g. selection of stock waste oil used for acid value adjustment
  • production method e.g. application of various biofuel production technologies
  • the machine learning model 112 uses feature quantities such as the acid value of stock oils and fats, the cetane number and
  • optimization calculation execution unit 102 performs (1) automatic calculation of mixing to maximize methane production, (2) automatic calculation of the amount of methane produced and component characteristics, and (3) calculation of the amount of hydrogen produced. Automatic calculation (by hydrogen production technology) Prediction calculation is performed.
  • the optimization data processed by the machine learning model 112 is input to the output unit 113.
  • the optimized fuel computing device 1 prepares a machine learning model that selects the optimal stock fats and manufacturing methods to be used to manufacture the desired biofuel.
  • learning can be performed using the machine learning model 112 based on AI. can be realized.
  • all waste oils, including wastewater oils and fats can be accurately converted into fuel based on the basic information of the oil type and acid value of the raw material waste oil, contributing to carbon neutrality.
  • industrial waste processor 601 (facility floating oil), waste oil recovery company 602 (high acid value oil, grease trap oil sludge), wastewater oil/oil sludge 603 (restaurants, food factories), household waste oil 604 (municipalities, citizens)
  • waste oil recovery company 602 high acid value oil, grease trap oil sludge
  • wastewater oil/oil sludge 603 restaurants, food factories
  • household waste oil 604 municipalities, citizens
  • the fats and oils recovered from are sorted into high acid value fats and oils (605) or low acid value fats and oils (606).
  • the optimization fuel arithmetic unit 1 selects (609) not to adjust the acid value (608) when the oil has a low acid value, Automatically calculate production volume, acid value, combustion performance, etc. This automatic calculation can be done after learning using the machine learning model described above.
  • SMO can be used as fuel (power generation, alternative to heavy oil) or mixed combustion (combustion improver).
  • the optimization fuel calculation device 1 selects (612) to adjust the acid value (608) when the oil has a high acid value, and mixes various oils and fats. In case (613), the acid value after mixing and the mixing ratio are automatically calculated. At this time, the applicability of various biofuel production technologies (for example, BDF alkali catalyst method, cathodic ion contact method, etc.) is also selected. Alternatively, depending on the type of stock fats and oils, they may not be mixed (614).
  • various biofuel production technologies for example, BDF alkali catalyst method, cathodic ion contact method, etc.
  • the optimization fuel arithmetic unit 1 selects high acid value oil (605) for producing methane gas from stock oil, is predicted, the applicability of various hydrogen production technologies is determined, and the amount of hydrogen produced as a result is automatically calculated. Hydrogen is used in vehicles and the like as clean energy that does not generate carbon dioxide.
  • the optimization fuel calculation device 1 automatically calculates the emission amount of oil-containing by-products (617) such as refined sludge, the total calorific value, etc., and Determine the mixing ratio of by-products.
  • oil-containing by-products (617) such as refined sludge (621)
  • hydrogen is generated from oil-containing by-products (617) such as refined sludge (621)
  • the amount of methane gas generated and component characteristics are predicted (619), and the application of various hydrogen production technologies is determined (620). The amount of hydrogen generated as a result is automatically calculated.
  • the optimization fuel calculation device 1 can optimize the production of the desired biofuel from the waste oil on hand, which is the raw material in stock, and the oil-containing by-products such as refined sludge discharged during biofuel production.
  • the production amount of high value-added fuel (623a, 623b) are predicted and calculated. Also good.
  • the optimization fuel calculation device 1 determines the amount of methane gas generated , predicts component characteristics, determines the application of various hydrogen production technologies, and automatically calculates the amount of hydrogen produced as a result.
  • Hydrogen can be produced by reforming biomass (methanol or methane gas) with a catalyst.
  • the optimized fuel calculation device 1 can estimate the combustion performance of the manufactured biofuel from the mixing ratio of the original waste oil.
  • the combustion performance here is an FIA-100 analysis item, and is used as an index for evaluating the combustion performance of bio-liquid fuels.
  • the optimization calculation unit evaluates (1) ignitability of the biofuel manufactured based on the composition information of the manufactured fuel (ignition, main combustion start, cetane number): determines the goodness of ignition, ignition and main combustion (2) Calorific value, etc.: The larger the numerical value, such as the calorific value of the fuel, the higher the calorific value.
  • Multi-cylinder variation evaluation Determine the risk of mixture fuel variation in each cylinder, appropriate value 0 to 2 (less than 1 is good), (5) Engine efficiency evaluation: Maximum time to push down the piston after ignition , an appropriate value for good engine efficiency, etc. can be used.
  • FIG. 9 An experimental example of machine learning in the optimized fuel calculation device 1 according to the present embodiment will be described with reference to FIGS. 9 to 13.
  • FIG. The purpose of this experiment is to develop an AI model that optimizes the production of biofuel using wastewater oil as the main raw material.
  • the AI model created in this experiment predicts combustion data based on the oil mixture ratio.
  • the types of fats and oils (beef tallow, lard, palm oil, tempura oil), actual measurements during combustion (evaluation of ignitability, evaluation of engine efficiency, evaluation of unburned parts, evaluation of multi-cylinder variation, calorific value, etc.) evaluation) was used for model creation.
  • the acid value of the fats and oils used in this model is a fixed value, unlike the recovered waste oil, so it is not used in the data for machine learning. It is also possible.
  • This AI model is based on the mixing ratio of four types of fat ⁇ beef tallow, lard, palm oil, tempura oil ⁇ (4 data), the measured values when the mixed fat burns ⁇ ignition, main combustion start, FIA cetane number, ROHR maximum
  • a learning model was created using a total of 14 data: time, total combustion period, afterburning period 95%, afterburning period 99%, afterburning period 100%, SD' standard deviation, ROHR index ⁇ (10 data), and measured A comparison was made between the value and the predicted value.
  • the measured value data in Table 90 shown in FIG. 9 was used.
  • an AI model we used a machine learning model (see Fig. 10) that trains as a multivariate normal distribution for a high-dimensional data set, and an autoencoder (accident encoder: Autoencoder), which is one of deep learning.
  • an autoencoder an autoencoder
  • the mixing ratio of ⁇ beef tallow, lard, palm oil, tempura oil ⁇ is determined, and the values of the remaining items of the multivariable quantity group ⁇ beef tallow, ..., ROHR index ⁇ described above from the machine learning model ⁇ ignition , main combustion start, FIA cetane number, ROHR maximum time, total combustion duration, afterburning duration 95%, afterburning duration 99%, afterburning duration 100%, SD' standard deviation, ROHR index ⁇ (see Fig. 10) ).
  • the prediction results obtained by the machine learning model are shown in Table 120 of FIG.
  • the feature quantity is predicted from the learning model from the determined mixture ratio of fats and oils ⁇ beef tallow, lard, palm oil, tempura oil ⁇ , and the feature quantity is decoded by the decoder (decoding) ⁇ ignition, main combustion start, FIA cetane number, ROHR maximum time, total burning duration, 95% afterburning duration, 99% afterburning duration, 100% afterburning duration, SD' standard deviation, ROHR index ⁇ were predicted (see Figure 11).
  • the predicted values obtained by the deep learning model are shown in Table 130 of FIG.
  • the predicted value of the deep learning model using the autoencoder tends to be lower than the measured value, and it is essential to improve the prediction accuracy by enriching the library data in the future.
  • the AI model using the multivariate normal distribution took values close to the measured values. By referring to the average value of the error in FIG. 12, it was found that the error between the predicted value and the actual measurement value during combustion becomes relatively small.
  • the number of measured data groups used as training data (library data) in this experimental example is as small as 25, and more training data (library data) is required to improve accuracy.
  • the present invention is an optimization fuel calculation device 1 that automatically calculates the optimum biofuel that can be produced from waste oil, which is a biomass resource, and includes a storage unit 12 that holds data related to waste oil; A machine learning model 112 to which information (fat-related data, etc.) related to waste oil stored in the unit 12 is input, and an optimization calculation for producing biofuel from the waste oil using the machine learning model 112. and an execution unit 102 .
  • the data on the waste oil stored in the storage unit 12 includes the type, amount and acid value of the waste oil. Based on at least one of the characteristics, the optimum type of biofuel that can be produced is determined, and the mixing ratio of the waste oil is determined.
  • the optimization calculation executing unit 102 outputs at least one of the type, amount, acid value, combustion characteristics, and component characteristics of the biofuel to be produced based on the determination.
  • the optimized fuel calculation device 1 can perform automatic calculation for obtaining optimal and high-quality biofuel according to the user's application, using waste oil such as wastewater oil as a raw material.
  • waste oil such as wastewater oil as a raw material.
  • This system includes a terminal device 91 owned by a field agency A managing wastewater from a store, a terminal device 92 owned by a field agency B managing wastewater from a food factory, a terminal device 93 owned by a fuel manufacturing plant, and an on-site power generation system. It comprises a terminal device 94 owned by the equipment user's site, a terminal device 95 owned by the user's site such as a boiler, and an optimized fuel arithmetic unit 1, which are connected via a wide area network such as the Internet.
  • the terminal device 91 is a terminal such as a personal computer or a smartphone installed in the store, and establishes a communication session with the optimized fuel calculation device 1 based on a predetermined protocol.
  • the terminal device 91 transmits and receives data (acid value, amount, type, etc.) on the wastewater oils and fats collected by the grease trap.
  • the terminal device 92 is a terminal provided in the food factory, executes a dedicated application, and displays the result on the screen.
  • the terminal device 92 transmits/receives data (acid value, amount, type, etc.) related to the wastewater oil/fat data in the oil/water separation tank to/from the optimized fuel arithmetic unit 1 .
  • the terminal device 93 is a terminal at the fuel manufacturing plant, executes a dedicated application, and displays the results on the screen.
  • the terminal device 93 can transmit and receive data regarding a desired biofuel to and from the optimized fuel calculation device 1 based on a predetermined protocol.
  • the terminal device 94 is a terminal provided in the on-site power generation unit, executes a dedicated application, and displays the result on the screen.
  • the terminal device 94 transmits/receives data regarding the desired biofuel to/from the optimized fuel calculation device 1 based on a predetermined protocol.
  • the terminal device 95 is a terminal installed in a place of use such as a boiler, installs and executes a dedicated application, and displays the result on the screen.
  • the terminal device 95 can transmit and receive data regarding the desired biofuel to and from the optimized fuel calculation device 1 .
  • the optimized fuel calculation device 1 is connected to the terminal devices 91, 92, 93, 94, and 95 via a network, transmits and receives data, and performs calculations for optimizing the manufactured biofuel.
  • Data such as access means, metadata, formats, units of measurement, names, and the like are defined in common between the terminal devices 91 to 95 and the fuel optimization computing device 1 .
  • the present invention can be realized not only as such an optimization fuel calculation device, but also as an optimization fuel calculation method in which characteristic means provided in such an optimization fuel calculation device are used as steps. , can be implemented as a program that causes a computer to execute those steps. Needless to say, such a program can be distributed via a recording medium such as a USB or a transmission medium such as the Internet.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本発明はバイオマス資源である廃油から製造可能な、最適なバイオ燃料を自動計算する最適化燃料演算装置１であって、廃油に関するデータを保持する記憶部１２と、記憶部１２に記憶される廃油に関する情報が入力される機械学習モデル１１２と、機械学習モデル１１２を用いて廃油からバイオ燃料を製造するための最適化演算を実行する最適化演算実行部１０２と、を備える。記憶部１２に記憶される廃油に関するデータには廃油の種類、量及び酸価が含まれ、最適化演算実行部１０２は、廃油の酸価、製造されるバイオ燃料のセタン価及び発熱量等の燃焼特性の少なくとも一つに基づいて、製造可能な最適なバイオ燃料の種類を決定し、且つ廃油の混合割合を決定する。この構成により、本発明では、廃水油脂などの廃油を原料として、ユーザ用途に応じた最適且つ高品質なバイオ燃料を得るための自動計算を行うことができる。

Description

廃油を利用した最適化燃料演算装置
　本発明は、飲食店や食品工場等からの廃油を利用して燃料を製造する際において、ユーザ用途に応じて最適且つ高品質なバイオ燃料製造を行う際に用いる最適化燃料演算装置に関する。
　近年、地球温暖化の問題が深刻化しており、炭酸ガスやメタンガスのような温室効果ガスの削減が図られている。例えば、パリ協定は、2020年以降の地球温暖化対策の国際的枠組みを定めた協定であり、地球温暖化対策に先進国、発展途上国を問わず全ての国が参加し、21世紀後半には温室効果ガスの排出を実質ゼロにすることを目標としている。
　また、持続可能な開発目標（SDGs：Sustainable Development Goals）が提唱され、例えば日本政府の掲げるSDGsアクションプラン2021の中において、2050年までに温室効果ガス排出を実質ゼロとするカーボンニュートラルの実現が記述されている（例えば、非特許文献１参照）。
　温室効果ガス削減を創出するための方法は種々あり、例えば、太陽光や風力発電などの再生可能エネルギー設備の導入、ヒートポンプなどの省エネルギー製品の導入、森林経営活動など各種あるが、その内の一つにバイオマスの利活用（廃棄物の再利用）がある。
　例えば、日本全国で排出されるバイオマス資源である廃水油脂は、飲食店関係で年間30万トン以上、食品工場関係で80万トン以上、合計110万トン以上もの量になり、全世界を勘案するとさらに膨大な量となる。近年、このような汚泥として産廃処分されるしかなかった廃水油脂から、独自のバイオマス燃料を製造し、ディーゼル発電機でバイオマス発電を行うシステムが開発されている（例えば、特許文献１乃至３参照）。このバイオマス発電システムを提供することでCO2削減、リサイクル、水質浄化をもたらすことができる。
特開2014－217804号公報 特許第5452814号公報 実用新案登録第3216173号公報
"SDGsとは？JAPAN SDGs Action Platform 外務省"[令和３年３月２８日検索]、インターネット＜URL：https://www.mofa.go.jp/mofaj/gaiko/oda/sdgs/index.html＞
　しかしながら、廃油から最適且つ高品質なバイオ燃料を製造するといっても、容易なことではない。その理由を以下に記載する。
　第一の理由として、飲食店や食品工場等の廃水浄化の過程で分離回収される廃油には排水処理由来の油分（牛脂、ラード、パームほか）、家庭系廃油（天ぷら油）など様々な種類がある。そして、これらの廃油は低酸価油脂から高酸価油脂まで様々であったり、水分含有率が高かったり、常温で固形であったり液体であったり、不純物も多く混在している。従って、このような様々な廃油をどれぐらい用いて、どのような処理をすれば最適化されたバイオ燃料を製造できるのかを知ることは容易ではない。
　第二の問題として、廃油から精製されたバイオ燃料を利用するユーザ用途も、例えば発電用燃料とするのか、ボイラーや焼却炉などに用いるA重油代替燃料として利用するのか、或いは水素などのクリーンエネルギー源として用いるのか、など様々である。従って、在庫の廃油からユーザ用途に沿うように最適なバイオ燃料を製造することが望まれているが未だに実現されていない。
　本発明は、上記課題に鑑みてなされたものであり、廃水油脂などの廃油を原料として、ユーザ用途に応じた最適且つ高品質なバイオ燃料を得るための自動計算を行う最適化燃料演算装置を提供することを目的とする。
　上記目的を達成するために本発明は、バイオマス資源である廃油から製造可能な、最適なバイオ燃料を自動計算する最適化燃料演算装置であって、廃油に関するデータを保持する記憶部と、前記記憶部に記憶される廃油に関する情報が入力される機械学習モデルと、前記機械学習モデルを用いて、廃油からバイオ燃料を製造するための最適化演算を実行する最適化演算実行部と、を備え、前記記憶部に記憶される廃油に関するデータには廃油の種類、量及び酸価が含まれ、前記最適化演算実行部は、廃油の酸価、製造されるバイオ燃料のセタン価及び発熱量等の燃焼特性の少なくとも一つに基づいて、製造可能な最適なバイオ燃料の種類を決定し、且つ廃油の混合割合を決定することを特徴とする。
　この最適化燃料演算装置において、前記最適化演算実行部は、前記決定に基づいて製造されるバイオ燃料の種類、量、酸価、燃焼特性及び成分特性の少なくとも１の結果を出力することが好ましい。
　この最適化燃料演算装置において、さらに、廃油の油量と酸価に応じた水酸化カルシウ、水酸化カリウム又は水酸化ナトリウムの有効投入量の自動計算、金属腐食させない酸価の反映、及び製造可能な液体燃料と固体燃料と気体燃料とに関する各種製造技術の適用判定の少なくとも１つを行うことが好ましい。
　この最適化燃料演算装置において、前記廃油には、施設浮上油、高酸価油脂、グリストラップ油泥、廃水油脂、及び家庭系廃油の少なくとも１つが含まれ、前記製造可能な最適なバイオ燃料の種類には、液体燃料としては発電用燃料、気体燃料としてはバイオガス及び水素が含まれることが好ましい。
　この最適化燃料演算装置において、前記機械学習モデルの学習の際には、廃油の各酸価に基づく多種の調合パターン検体の酸価調整の結果、主成分となる油種のセタン価及び発熱量等の燃焼特性並びに硫黄分の成分特性、廃油の酸価に基づく水酸化カルシウ、水酸化カリウム又は水酸化ナトリウムの投入量と油分の分離比率、及び各種バイオ燃料製造技術の適用の結果、の少なくとも１つ以上がライブラリデータとして与えられることが好ましい。
　この最適化燃料演算装置において、さらに、所望のバイオ燃料に関する情報を入力する入力部を備え、前記最適化演算実行部は、廃油から、前記入力部を介して入力された所望のバイオ燃料を製造するための最適化演算を行うことが好ましい。
　この最適化燃料演算装置において、さらに、通信網への通信接続を実現する通信部を備え、前記最適化燃料演算装置は、前記通信部を介して前記記憶部に記憶される廃油に関するデータを取得することが好ましい。
　上記課題を解決するために、本発明は、バイオマス資源である廃油から製造可能な、最適なバイオ燃料を自動計算する最適化燃料演算方法であって、廃油に関するデータを保持する記憶ステップと、前記記憶ステップにおいて記憶される廃油に関する情報が入力される機械学習モデルを用いて、廃油からバイオ燃料を製造するための最適化演算を実行する最適化演算実行ステップと、を含み、前記記憶ステップにおいて記憶される前記廃油に関するデータには廃油の種類、量及び酸価が含まれ、前記最適化演算実行ステップにおいて、廃油の酸価、製造されるバイオ燃料のセタン価及び発熱量の燃焼特性の少なくとも一つに基づいて、製造可能な最適なバイオ燃料の種類を決定し、且つ廃油の混合割合を決定することを特徴とする。
　上記課題を解決するために、本発明は、バイオマス資源である廃油から製造可能な、最適なバイオ燃料を自動計算する最適化燃料演算装置に用いられるプログラムであって、廃油に関するデータを保持する記憶ステップと、前記記憶ステップにおいて記憶される廃油に関する情報が入力される機械学習モデルを用いて、廃油からバイオ燃料を製造するための最適化演算を実行する最適化演算実行ステップと、を含み、前記記憶ステップにおいて記憶される前記廃油に関するデータには廃油の種類、量及び酸価が含まれ、前記最適化演算実行ステップにおいて、廃油の酸価、製造されるバイオ燃料のセタン価及び発熱量の燃焼特性の少なくとも一つに基づいて、製造可能な最適なバイオ燃料の種類を決定し、且つ廃油の混合割合を決定することを特徴とする。
　本発明は、バイオマス資源である廃油から製造可能な、最適なバイオ燃料を自動計算する最適化燃料演算装置であって、廃油に関するデータを保持する記憶部と、記憶部に記憶される廃油に関する情報が入力される機械学習モデルと、機械学習モデルを用いて廃油からバイオ燃料を製造するための最適化演算を実行する最適化演算実行部と、を備える。記憶部に記憶される前記廃油に関するデータには廃油の種類、量及び酸価が含まれ、最適化演算実行部は、廃油の酸価、製造されるバイオ燃料のセタン価及び発熱量等の燃焼特性の少なくとも一つに基づいて、製造可能な最適なバイオ燃料の種類を決定し、且つ廃油の混合割合を決定する。この構成により、本発明に係る最適化燃料演算装置では、廃水油脂などの廃油を原料として、ユーザ用途に応じた最適且つ高品質なバイオ燃料を得るための自動計算を行うことができる。
本発明の実施の形態に係る最適化燃料演算装置を備えるバイオ燃料利用のための全体工程図である。 同上工程に用いることができる油泥分離装置の一例を示す図である。 同上最適化燃料演算装置の全体構成図である。 同上最適化燃料演算装置の機能ブロック図である。 同上最適化燃料演算装置の最適化演算の機能に関する機能ブロック図である。 同上最適化燃料演算装置を利用する際の全体の流れの一例を示す図である。 同上最適化燃料演算装置を利用したバイオ燃料製造で排出する含油副産物をクリーンエネルギー化する際の流れの一例を示す図である。 同上最適化燃料演算装置によって演算される燃料性能の説明図である。 本発明の実験例に係る訓練データ（ライブラリデータ）を示す図である。 同上実験例における多変数量正規分布を用いた機械学習モデルの説明図である。 同上実験例におけるオートエンコーダを用いた深層学習モデルの説明図である。 同上実験例における機械学習モデルを用いた際の予測結果を示す図である。 同上実験例における深層学習モデルを用いた際の予測結果を示す図である。 同上実施の形態の変形例に係る最適化燃料演算装置を備えるシステムの全体図である。
（実施の形態）
　本発明の実施の形態に係る廃油を利用した最適化燃料演算装置について図面を参照しながら説明する。この最適化燃料演算装置は、主として回収された廃水油脂や油泥等の廃油を利用して、最適且つ高品質なバイオ燃料を製造する際に用いられる。
　＜全体工程図＞
　本実施の形態に係る最適化燃料演算装置を含むバイオ燃料利用の際の全体工程に関して図１を参照して説明する。この工程は、バイオマス回収工程、バイオ燃料製造工程、及びバイオ燃料使用工程を含む。
　最初に、バイオマス回収工程では、飲食店や食品工場等から排出される廃水油脂や一般市民から自治体が集めた廃食用油といった廃油を回収する。これらの廃油は、いまだ未利用ないし有効活用度の低い地域資源であり、バイオマスである。なお、バイオマスとは「再生可能な、生物由来の有機性資源で化石資源を除いたもの」を呼ぶ。バイオマスの内の廃棄物系バイオマスは、廃棄される紙、家畜排せつ物、食品廃棄物、下水汚泥などがあげられる。バイオマスを燃焼することなどにより放出されるCO2は、生物の成長過程で光合成により大気中から吸収したCO2であり、化石資源由来のエネルギーや製品をバイオマスで代替することにより、地球温暖化を引き起こす温室効果ガスのひとつであるCO2の排出削減に大きく貢献することができる。
　一般に、飲食店、ファーストフード店、レストラン、ホテル、食品加工場などからの廃水には、様々の水質汚濁物質が含まれている。このような廃水を何ら処理することなく排水すると、廃水中の油分などが排水管に付着して固まり、詰まらせたりするだけでなく、合併処理槽や下水処理場での水の浄化処理を困難にし、また、環境に悪影響を及ぼす。
　そこで、油分や沈殿物、浮遊物などの固形分を含む廃水を排出する事業所では事業所単位で処理装置（グリストラップや油水分離槽、原水槽）を備えて、廃水を一時的にプールし、固形分を沈降させたり、油分を浮上分離させたりし、定期的にこれらを引き抜き処理する等により物理的に除去する。
　このバイオマス回収工程において、例えばフィールド代理店（出願人が独自のノウハウを提供し、指導・育成、認定した専門業者）は、飲食店のグリストラップ清掃管理を行い、且つグリストラップから油分であるバイオマス資源の廃水油脂を回収する。ここで、グリストラップとは、そのまま流すと、排水の通り道（下水管）を汚し、川や海の水を汚してしまう油汚れが混ざった水の油汚れを閉じ込めて、流さないようにするための貯留槽である。なお、グリストラップからバイオマスを回収する技術には、例えば、出願人の有する特許技術である特許 4401007 号に示される装置や、特許 4420750 号に示される装置、さらに実用新案3216173号に示される装置を利用できる。
　他のフィールド代理店は、食品工場の油水分離槽を管理する代理店であり、この油水分離槽からバイオマスを回収する。具体的には、食品工場の油水分離槽から得られる油泥を、油泥分離装置を用いて油分と水分と汚泥分とに分離し、その内の油分（すなわちバイオマス）を回収する。フィールド代理店は、油泥分離装置の管理も行う。
　油泥分離装置には、例えば図２に示すような出願人が有する技術を使用する。具体的に説明すると、食品工場の油水分離槽２１から油泥加温移送装置２２を介して油泥が回収され、油泥分離装置２３内に移送される。加温された油泥分離装置２３内では、比重の大きな水分や泥分が下層に、比重の小さな油分が上層に移動するため、上層にある油分をバイオマスとして回収する。当該油分は、例えばトラックなどに備えられた回収タンク２４に回収される。なお、油泥加温移送装置２２や油泥分離装置２３の加温には、例えばトラックなどで潜熱蓄熱材（PCM: Phase Change Material）容器を用いて保温された移動型熱源体が使用される。そして、食品工場で回収されたバイオマスは、バイオ燃料製造工程に搬入される。
　そして、バイオ燃料製造工程では、搬入されたバイオマスから最適化燃料演算装置１の演算結果に基づいてバイオ燃料を製造する。通常、回収される廃油は水分や異物を多く含み、常温で固化するなど低品質なバイオマスであるが、バイオ燃料製造工程において、これを発電用燃料（例えばSMO（Straight Mixed Oil）や、ボイラー用燃料（重油代替燃料）、クリーンエネルギー用燃料（例えば水素、バイオガス）、バイオマス添加剤（例えば精製過程で排出する含油副産物を原料に製造）などへ精製・改質して、バイオ燃料を製造・販売する。
　バイオ燃料の製造には、ミキシング調合機能付きのバイオ燃料製造機を用いても良い。また、例えば自家発電機（ディーゼル発電機）を用いることができ、製造されるバイオ燃料を用いたグリーン電力でバイオ燃料製造を行える。なお、バイオマスからバイオ燃料の製造に関しては出願人の有する特許5269552号、特許5452814号に示される方法などを用いることができる。
　次のバイオ燃料使用工程では、バイオ燃料製造工程で製造されたSMO、水素やカーボンオフ燃料が燃料として使用され、SMOは例えばオンサイト型のディーゼル発電装置の燃料源として用いる。具体的には、SMO専用タンクやSMO専用発電装置の導入事業者（食品工場など）が対象である。なお、SMOとは、牛脂やラードが多く混入している廃水油脂から、化学合成することなく改質製造しているオイルの意味である。一方、カーボンオフ燃料は、工場等にある既存ボイラーや焼却炉で利用可能であり、A重油など鉱物油の代替燃料として活用する。
　また、バイオ燃料をエネルギー利用する用途は、（ａ）ディーゼル発電、（ｂ）ボイラーや焼却炉等の燃料、（ｃ）バイオ燃料の精製過程で排出する残渣汚泥などの含油副産物および高酸価油脂を資材とするメタン発電（豚舎糞尿や食品残渣と合わせたメタン発電も可能）およびバイオマス添加剤によるクリーンセンターの高効率エネルギー維持、（ｄ）水素供給などがある。
　＜最適化燃料演算装置１の動作手順＞
　次に、バイオ燃料製造工程において使用される最適化燃料演算装置１の動作手順を、図３を参照しながら説明する。最初に、産廃処理業者（施設浮上油）、廃油回収業者（高酸価油脂、グリストラップ油泥）、廃水油脂（飲食店、食品工場）、家庭系廃油（自治体、市民）など様々な場所から廃水油脂、油泥や廃食用油が回収される（Ｓ３０１）。
　廃油が回収されると、最適化燃料演算装置１に、回収された廃油の回収量、種類、さらに酸価の情報が入力・保持される（Ｓ３０２）。なお、この入力は直接入力以外にインターネットを介して、フィールド代理店はじめ遠隔の産廃処理業者や廃油回収業者から入力されても良い。
　ここで、油脂の酸価に関して説明する。酸価（AV: Acid Value）とは油脂の生成及び変質の指標となる数値のひとつである。酸価は、油脂中の遊離脂肪酸を滴定で測定し、油脂1g中に含まれている遊離脂肪酸を中和するのに要する水酸化カリウム等のmg数と定義される。一般に、古い油ほど酸価は大きくなる。なお、油脂の酸化の指標として過酸化物価（POV: Peroxide Value）が用いても良い。酸価の測定には、専用測定機器を利用したり、簡易検査キットを用いて判定することもできる。または、各種の廃油の酸価は、廃油の種類に応じて都度測定をせずに廃油の種類に応じて予め設定したものを用いることも可能である。
　次に、手持ちである在庫廃油から最適化燃料演算装置１が最適化されたバイオ燃料の製造のための演算（推論）を行う（Ｓ３０３）。具体的には（１）在庫廃油の酸価から、現時点での製造可能なバイオ燃料と、製造されるバイオ燃料の量、酸価や品質特性を自動判定する。若しくは（２）カーボンニュートラルのための利用用途に応じて、在庫廃油を用いた製造プロセスと、製造される量や品質特性（燃焼特性など）が自動判定できる。この（２）ユーザが所望するバイオ燃料の種類を最適化燃料演算装置１に入力する場合、（１）バイオ液体燃料（発電用燃料、重油代替燃料又は混焼（助燃剤））、（２）メタンガス  （発電及び都市ガスとの混合利用）、（３）水素（水素社会への対応（水素はメタンまたはSMOから生成））などから選択してもよい。
　そして、最適化燃料演算装置１で演算された製造方法に基づいて、各燃料製造施設において所望のバイオ燃料が実際に製造される（Ｓ３０４）。このバイオ燃料には、例えば、発電用燃料、カーボンオフ燃料、バイオガス、水素、高付加価値燃料やバイオプラスチックが含まれる。
　次に、本実施の形態に係る最適化燃料演算装置１に備わる各処理部に関して図４を参照しながら説明する。最適化燃料演算装置１は、サーバコンピュータであって、例えば図４に示すように、制御部１０、最適化演算部１１、記憶部１２、通信部１３、表示部１４、操作部１５及び読取部１６を備える。なお、これらはクラウド化されていてもよい。
　制御部１０は、ＣＰＵなどのプロセッサやメモリを用いて、装置の構成部を制御して各種機能を実現する。最適化演算部１１は、プロセッサ及びメモリを用い、制御部１０からの制御指示に応じて燃料製造の最適化演算を実行する。記憶部１２には、最適化演算プログラム１Ｐ、機械学習モデルとしての機能を発揮させる機械学習ライブラリ１Ｌが記憶されている。また、記憶部１２には、機械学習モデルを定義する定義データ、学習済み機械学習モデルにおける設定値等を含むパラメータなどが記憶される。
　通信部１３は、インターネット等の通信網への通信接続を実現する通信モジュールである。表示部１４は、液晶パネル等を用いる。操作部１５は、キーボード又はマウス等のユーザインタフェースを含む。操作部１５は、ユーザによる操作情報を制御部１０へ通知する。読取部１６は、例えばディスクドライブを用い、光ディスク等を用いた記録媒体２に記憶してある最適化演算プログラム、及び機械学習ライブラリを読み取ることが可能である。
　次に、最適化燃料演算装置１の最適化演算の機能に関して図５を参照しながら説明する。最適化燃料演算装置１の制御部１０はAI(Artificial Intelligence)を活用した学習処理実行部１０１及び最適化演算実行部１０２を備える。
　学習処理実行部１０１は、記憶部１２に記憶してある機械学習ライブラリ１Ｌ、定義データ、パラメータ情報に基づき機械学習モデル（機械学習エンジン）として機能する。すなわち、学習処理実行部１０１は、学習対象の機械学習モデルを用いて、学習用データに基づいて、学習対象の機械学習モデルにおける設定値（パラメータ等）を学習する処理を実行する。この学習の際には、例えば廃油の各酸価に基づく多種の調合パターン検体の酸価調整の結果および主成分となる油種（ラード、牛脂、パーム油、天ぷら油等）のセタン価や発熱量等等の燃焼特性並びに硫黄分等等の成分特性、廃油の酸価値に基づく水酸化カルシウ、水酸化カリウム又は水酸化ナトリウム等の投入量と油分の分離比率、各種バイオ燃料製造技術の適用の結果をライブラリデータとして付与する。一例としては、学習処理実行部１０１は、学習データを機械学習モデル１１２の全体に入力して得られる出力データ（製造されるバイオ燃料に関するデータ）と、既知の学習用データとの誤差を最小にする処理を実行し、パラメータ（重み）を更新できる。この学習処理により得られるパラメータは記憶部１２に記憶される。
　最適化演算実行部１０２は、記憶部１２に記憶してある最適化演算プログラム１Ｐに基づき、最適化演算を行う。すなわち、最適化演算実行部１０２は、機械学習モデルを用いて、入力される在庫油脂に対して所定の最適化演算を実行する。また、最適化演算実行部１０２は、ユーザの操作部１５を用いた操作に基づき、入力データである在庫油脂や製造されるバイオ燃料を入力部１１１に入力する機能を発揮する。
　最適化演算部１１の入力部１１１は記憶部１２からの在庫の油脂データや所望のバイオ燃料の入力を受け付けて機械学習モデルに入力する。
　機械学習モデル１１２は、学習済みモデル使用時にはそれぞれ既に学習済のパラメータに基づいて使用する廃油（例えば酸価調整に利用する在庫廃油の選択）、製造方法（例えば各種バイオ燃料製造技術の適用）などの最適化演算を行う。すなわち、機械学習モデル１１２は、在庫油脂の酸価や製造されるバイオ燃料のセタン価ほかの燃焼特性および硫黄分等ほかの成分特性などの特徴量（廃油の酸価、製造されるバイオ燃料のセタン価及び発熱量等の燃焼特性の少なくとも一つの特徴量）を取り出し、取り出された特徴量に基づいて廃油の選択、混合割合、製造方法の選択などの最適化演算を行い、その演算結果には、バイオ燃料の種類、製造量や製造プロセス、酸価調整が含まれる。また（１）製造されるバイオ燃料の油量と酸価に応じた水酸化カルシウ、水酸化カリウム又は水酸化ナトリウム等の有効投入量の自動計算、（２）上記に金属腐食させない酸価を反映、（３）製造されるバイオ燃料の燃焼特性の自動計算（燃料評価）、（４）バイオ燃料製造技術別の適用判定などを含んでも良い。
　なお、最適化演算実行部１０２は、メタン生成の際には、（１）メタン生成を最大化する混合自動計算、（２）メタン生成量および成分特性の自動計算、（３）水素生成量の自動計算 （水素製造技術別）の予測計算を行う。
　機械学習モデル１１２で処理された最適化データは出力部１１３に入力される。このように、最適化燃料演算装置１は、所望のバイオ燃料を製造するために利用される最適な在庫油脂や製造方法を選択する機械学習モデルを用意する。この結果、本実施の形態１に係る最適化燃料演算装置１では、AIに基づく機械学習モデル１１２を用いて学習を行なうことができ、機械学習による最適化演算において、在庫油脂の効率的な処理を実現できる。この構成により、廃水油脂はじめ、すべての廃油を対象に、原料となる廃油の油種と酸価を基本情報として的確な燃料化を行い、カーボンニュートラルに貢献できる。
　次に、最適化燃料演算装置１の利用時の全体の流れを、図６を参照しながら説明する。最初に、産廃処理業者６０１（施設浮上油）、廃油回収業者６０２（高酸価油脂、グリストラップ油泥）、廃水油脂・油泥６０３（飲食店、食品工場）、家庭系廃油６０４（自治体、市民）から回収される油脂が、その酸価に基づいて高酸価油脂（６０５）又は低酸価油脂（６０６）に振り分けられる。
　例えばバイオ燃料としてＳＭＯが製造される場合（６０７）、最適化燃料演算装置１は、低酸価油脂の時は酸価調整（６０８）をしないことを選択し（６０９）、製造されるＳＭＯの製造量、酸価、燃焼性能等を自動計算する。この自動計算は、上述した機械学習モデルを用いた学習後に行うことができる。なお、SMOは、燃料利用（発電、重油代替）や混燃利用（助燃剤）することができる。
　例えばバイオ燃料としてＳＭＯが製造される場合（６１１）、最適化燃料演算装置１は、高酸価油脂の時は酸価調整（６０８）をすることを選択し（６１２）、各種油脂を混合する場合には（６１３）、混合後の酸価、混合割合が自動計算される。この際には、各種バイオ燃料製造技術の適用判定（例えばＢＤＦアルカリ触媒法、陰極イオン接触法など）も選択される。又は、在庫油脂の種類によっては混合しない場合もある（６１４）。次に、油脂の酸価調整のための水酸化カルシウ、水酸化カリウム又は水酸化ナトリウム等の投入を要するか否かを自動判定して、必要な投入量や処理時間を自動計算する（６１５）。この際に、配管内の腐食を防止する観点から、金属腐食をさせない酸価値を選択できるようにしても良い（６１６）。これらの結果、最適化された所望のSMOの製造量、酸価、燃焼性能などが自動計算される。なお、SMOは、燃料利用（発電、重油代替）や混燃利用（助燃剤）することができる。
　例えばバイオ燃料として水素が製造される場合（６１０）、最適化燃料演算装置１は、在庫油脂からメタンガスを製造するための高酸価油脂（６０５）を選択して、メタンガスの生成量、成分特性を予測して、各種水素製造技術の適用判定を行い、その結果に生成される水素の生成量を自動計算する。なお、水素は二酸化炭素を生じないクリーンエネルギーとして車両などに利用される。
　また、例えばバイオ燃料としてバイオマス添加剤が製造される場合（６１８）、最適化燃料演算装置１は、精製汚泥等の含油副産物（６１７）の排出量、総発熱量等等を自動計算し、含油副産物の混合割合などを決定する。また、精製汚泥等の含油副産物（６１７）から水素を生成する時は（６２１）、メタンガスの生成量、成分特性を予測して（６１９）、各種水素製造技術の適用判定を行い（６２０）、その結果に生成される水素の生成量を自動計算する。このように、最適化燃料演算装置１は、在庫原料たる手持ちの廃油およびバイオ燃料製造で排出する精製汚泥等の含油副産物から、目的とする所望のバイオ燃料の製造を最適化することができる。なお、SMO（６０７，６１１）から製造可能な水素の生成量（６２２ａ，６２２ｂ）、高付加価値燃料の製造量（６２３ａ，６２３ｂ）やバイオプラスチックの製造量（６２４ａ，６２４ｂ）を予測計算しても良い。
　次に、最適化燃料演算装置１がメタン利用する際の全体の流れを、図７を参照しながら説明する。例えば、精製汚泥等の含油副産物（７０１）、豚舎糞尿（７０２）、食品残渣（７０３）を利用して水素生成（７０４）を行う際には、最適化燃料演算装置１は、メタンガスの生成量、成分特性を予測して、各種水素製造技術の適用判定を行い、その結果に生成される水素の生成量を自動計算する。水素はバイオマス（メタノールやメタンガス）を触媒で改質することで生成できる。
　次に、最適化燃料演算装置１において自動計算されるバイオ燃料の燃焼性能に関して図８を参照しながら説明する。最適化燃料演算装置１は、各種の廃油の燃焼性能に関するデータを予め取得しておくことで、製造されるバイオ燃料の燃焼性能を、元となる廃油の混合割合から推算可能である。例えば、ここでの燃焼性能はFIA-100分析項目であり、バイオ液体燃料の燃焼性能を評価する指標として用いられる。最適化演算装置は、製造燃料の組成情報などに基づいて製造されるバイオ燃料の（１）着火性の評価（着火、主燃焼開始、セタン価）：着火の良好さを判定、着火及び主燃焼開始の数値が小さいほど着火しやすい、（２）発熱量等：燃料の発熱量等、数値が大きいほど熱量は高い、（３）未燃焼部分の評価：黒鉛の発生、カーボン付着リスク、ノックスリスクの評価、（４）多気筒バラツキ評価：混合燃料の各気筒でのバラツキリスクを判定、適正値０～２（1未満なら良好）、（５）エンジン効率の評価：着火後にピストンを押し下げる最大時間、エンジン効率が良い適正値などの指標を用いることができる。
　＜実験例＞
　次に、本実施の形態に係る最適化燃料演算装置１における機械学習の実験例に関して図９～図１３を参照しながら説明する。本実験の目的は、排水油脂等を主原料としたバイオ燃料の製造を最適化するAIモデルを開発することである。
　本実験で作成するAIモデルは、油脂の混合比率により燃焼データを予測するものである。AIモデル開発に当たり、油脂の種類（牛脂、ラード、パーム油、天ぷら油）、燃焼時の実測値（着火性の評価、エンジン効率の評価、未燃焼部分の評価、多気筒バラツキ評価、発熱量等の評価）のデータに基づいて、モデル作成に利用した。なお、本モデルで使用する油脂の酸価は、回収廃油とは異なり全て決まった値のため、機械学習用データには採用していないが、当然に酸価を含めて機械学習処理を実行することも考えられる。
　本実験では、数式処理が可能であり、かつAIモデルの開発プログラムとして最新のニューラルネットワークや統合された幅広い機械学習機能を有し、膨大な学習データや煩雑なプログラムが必要としない「Mathematica」（WOLFRAM社製）を選択した。その他「Python」や「MATLAB」（Mathworks社製）などを用いてもよい。
　次に、本実験において開発する具体的なＡＩモデルに関して図面を参照して説明する。このAIモデルは、4種類の油脂の混合比率｛牛脂、ラード、パーム油、天ぷら油｝（4データ）、混合した油脂の燃焼時の実測値｛着火、主燃焼開始、FIAセタン価、ROHR最大時間、全燃焼期間、後燃え期間95％、後燃え期間99％、後燃え期間100％、SD’標準偏差、ROHR index｝（10データ）の計14データを用いて学習モデルを作成し、実測値と予測値の比較をおこなった。学習データの詳細については図９に示す表９０の実測値データを用いた。
　また、AIモデルとしては、高次元データ集合に対して多変量正規分布として訓練する機械学習モデル（図１０参照）、深層学習の1つであるオートエンコーダ（事故符号化器：Autoencoder）を用いた深層学習モデル（図１１参照）、の2種類の学習モデルを作成し、実測値との比較を行った。
　次に、本実験例における計算結果に関して図面を参照して説明する。多変量正規分布として訓練する機械学習モデルでは、図９に示す表９０の実測値を全て多変数量と見なして学習モデルを作成した。実際には、｛牛脂、ラード、パーム油、天ぷら油、着火、主燃焼開始、FIAセタン価、ROHR最大時間、全燃焼期間、後燃え期間95％、後燃え期間99％、後燃え期間100％、SD’標準偏差、ROHR index｝の順で1つの多変数量群を形成し、この群を多変数正規分布として機械学習モデルを作成した。すなわち、｛牛脂、ラード、パーム油、天ぷら油｝の混合比を決定し、機械学習モデルから上述した多変数量群｛牛脂、・・・、ROHR index｝の残りの項目の値である｛着火、主燃焼開始、FIAセタン価、ROHR最大時間、全燃焼期間、後燃え期間95％、後燃え期間99％、後燃え期間100％、SD’標準偏差、ROHR index｝を予測した（図１０参照）。機械学習モデルにより得られた予測結果を図１２の表１２０に示す。
　一方、オートエンコーダを用いた深層学習モデルにおいては、表９０の実測値のうち｛着火、主燃焼開始、FIAセタン価、ROHR最大時間、全燃焼期間、後燃え期間95％、後燃え期間99％、後燃え期間100％、SD’標準偏差、ROHR index｝をオートエンコーダにて１つの特徴量を作成した。対応している｛牛脂、ラード、パーム油、天ぷら油｝の油脂の混合比と作成した特徴量を紐付けることにより、学習モデルを作成した。そして、決定した油脂の混合比｛牛脂、ラード、パーム油、天ぷら油｝から学習モデルから特徴量を予測し、特徴量をデコーダ（復号化）により、｛着火、主燃焼開始、FIAセタン価、ROHR最大時間、全燃焼期間、後燃え期間95％、後燃え期間99％、後燃え期間100％、SD’標準偏差、ROHR index｝を予測した（図１１参照）。深層学習モデルにより得られた予測値を図１３の表１３０に示す。
　本実験例の結果としては、オートエンコーダを用いた深層学習モデルの予測値は実測値より低い傾向となり、今後のライブラリデータの充実により予測精度を上げることが必須となる。一方、多変数量正規分布を用いたAIモデルが実測値に近い値をとった。このことは図１２の誤差の平均値を参照することで、予測値と燃焼時の実測値との誤差が比較的低くなることが分かった。さらに実測値のない、例えば「牛脂：50ml、ラード：50ml、パーム油：50ml、天ぷら油：50ml」では、予測値は「着火：10.118、主燃焼開始：10.1525、FIAセタン価：26.972、ROHR最大時間：13.6966、全燃焼期間：18.6158、後燃え期間95％：2.21944、後燃え期間99％：7.94487、後燃え期間100％：23.3996、SD’標準偏差：0.403133、ROHR index：168.877」と予測値の演算ができた。
　なお、本実験例において訓練データ（ライブラリデータ）として使用した実測データ群が25と少なく、精度向上にはより多くの訓練データ（ライブラリデータ）が必要である。全ての機械学習モデルにおいて、予測精度を向上させるためには、実測値データ数を増やして学習モデルの訓練データ（ライブラリデータ）に採用することが重要となる。また、追加の実測値を訓練データ（ライブラリデータ）として学習モデルに反映するプログラムの作成、容易な学習モデル作成において利便性の高いインターフェイスの採用等、運用を考慮した改良が必要となることは言うまでもない。
　以上の説明のように、本発明はバイオマス資源である廃油から製造可能な、最適なバイオ燃料を自動計算する最適化燃料演算装置１であって、廃油に関するデータを保持する記憶部１２と、記憶部１２に記憶される廃油に関する情報（油脂関連データなど）が入力される機械学習モデル１１２と、機械学習モデル１１２を用いて廃油からバイオ燃料を製造するための最適化演算を実行する最適化演算実行部１０２と、を備える。記憶部１２に記憶される廃油に関するデータには廃油の種類、量及び酸価が含まれ、最適化演算実行部１０２は、廃油の酸価、製造されるバイオ燃料のセタン価及び発熱量の燃焼特性の少なくとも一つに基づいて、製造可能な最適なバイオ燃料の種類を決定し、且つ廃油の混合割合を決定する。最適化演算実行部１０２は、当該決定に基づいて製造されるバイオ燃料の種類、量、酸価、燃焼特性及び成分特性の少なくとも１の結果を出力する。この構成により、最適化燃料演算装置１では、廃水油脂などの廃油を原料として、ユーザ用途に応じた最適且つ高品質なバイオ燃料を得るための自動計算を行うことができる。すなわち、廃水油脂はじめ、すべての廃油を対象に、原料となる廃油の酸価を基本情報として最適なバイオ燃料への燃料化を行い、カーボンニュートラルの実現に貢献できる。
　より具体的には、最適化燃料演算装置１を用いることにより（１）低酸価油脂から超高酸価油脂まで、すべての廃油の燃料化を可能とし、脱炭素の実現に向けたカーボンニュートラル利用を可能とすることができる。（２）油脂の酸価調整を瞬時に自動計算できる。（３）バイオ燃料の利用用途ごとに製造プロセスを自動判定できる。（４）バイオ燃料の利用目的に応じ、各種燃料製造技術の最適性を自動判定できる。（５）製造される各種のバイオ燃料ごとに、生成量、成分特性、燃焼特性が自動計算できる。（６）バイオ燃料の製造過程で発生する副産物（精製汚泥等の含油副産物）を利用して、カーボンニュートラルに貢献できる。そして、例えば、全国での廃水油脂量１１０万トン、燃料歩留まり６０％、バイオ燃料価格97円／リットル（Ａ重油実勢価格）とした場合、市場規模は６００億円超規模（バイオ燃料66万ｔ）となり得る。
　（変形例）
　次に、本実施の形態の変形例に係る最適化燃料演算装置１を含む全体システムに関して図１４を参照して説明する。このシステムは、店舗の廃水を管理するフィールド代理店Ａの有する端末装置９１、食品工場の廃水を管理するフィールド代理店Ｂの有する端末装置９２、燃料製造所の有する端末装置９３、オンサイト型発電装置使用所の有する端末装置９４、ボイラー等使用所の有する端末装置９５、及び最適化燃料演算装置１を備え、これらがインターネットなどの広域ネットワークを介して接続されて構成されている。
　端末装置９１は、店舗に備わるパーソナルコンピュータ、スマートフォンなどの端末であり、所定プロトコルに基づいて、最適化燃料演算装置１との通信セッションを確立する。端末装置９１は、グリストラップで回収された廃水油脂に関するデータ（酸価、量、種類など）の送受信を行う。端末装置９２は、食品工場に備わる端末であり、専用のアプリケーションを実行し、その結果を画面に表示する。端末装置９２は、最適化燃料演算装置１との間で、油水分離槽での廃水油脂データに関するデータ（酸価、量、種類など）の送受信を行う。
　端末装置９３は、燃料製造所における端末であり、専用のアプリケーションを実行し、その結果を画面に表示する。端末装置９３は、所定プロトコルに基づいて、最適化燃料演算装置１との間で、所望のバイオ燃料に関するデータの送受信を行うことができる。端末装置９４は、オンサイト型発電部に備わる端末であり、専用のアプリケーションを実行し、その結果を画面に表示する。端末装置９４は、所定プロトコルに基づいて、最適化燃料演算装置１との間で、所望のバイオ燃料に関するデータの送受信を行う。
　端末装置９５は、ボイラー等使用所に備わる端末であり、専用のアプリケーションをインストールして実行し、その結果を画面に表示する。端末装置９５は最適化燃料演算装置１との間で、所望のバイオ燃料に関するデータの送受信を行うことができる。
　最適化燃料演算装置１は、端末装置９１，９２，９３，９４，９５とネットワークを介して接続され、データを送受信すると共に、製造されるバイオ燃料の最適化のための演算を行う。各端末装置９１～９５と最適化燃料演算装置１との間は、アクセス手段、メタデータ、フォーマット、測定の単位、各名称などのデータは共通化されて定義されている。
　なお、本発明は、このような最適化燃料演算装置として実現することができるだけでなく、このような最適化燃料演算装置が備える特徴的な手段をステップとする最適化燃料演算方法として実現したり、それらのステップをコンピュータに実行させるプログラムとして実現することができる。そして、そのようなプログラムは、ＵＳＢなどの記録媒体やインターネット等の伝送媒体を介して配信することができるのは言うまでもない。
　１　最適化燃料演算装置
　１０　制御部
　１１　最適化演算部
　１２　記憶部
　１３　通信部
　１０２　最適化演算実行部
　１１１　入力部
　１１２　機械学習モデル
　１１３　出力部

Claims (9)

  1. 　バイオマス資源である廃油から製造可能な、最適なバイオ燃料を自動計算する最適化燃料演算装置であって、
    　廃油に関するデータを保持する記憶部と、
    　前記記憶部に記憶される廃油に関する情報が入力される機械学習モデルと、
    　前記機械学習モデルを用いて、廃油からバイオ燃料を製造するための最適化演算を実行する最適化演算実行部と、を備え、
    　前記記憶部に記憶される廃油に関するデータには廃油の種類、量及び酸価が含まれ、
    　前記最適化演算実行部は、廃油の酸価、製造されるバイオ燃料のセタン価及び発熱量の燃焼特性の少なくとも一つに基づいて、製造可能な最適なバイオ燃料の種類を決定し、且つ廃油の混合割合を決定する、ことを特徴とする最適化燃料演算装置。
  2. 　前記最適化演算実行部は、前記決定に基づいて製造されるバイオ燃料の種類、量、酸価、燃焼特性及び成分特性の少なくとも１の結果を出力する、ことを特徴とする請求項１記載の最適化燃料演算装置。
  3. 　前記最適化演算実行部は、さらに、廃油の油量と酸価に応じた水酸化カルシウ、水酸化カリウム又は水酸化ナトリウムの有効投入量の自動計算、金属腐食させない酸価の反映、及び製造可能な液体燃料と固体燃料と気体燃料とに関する各種製造技術の適用判定の少なくとも１つを行う、ことを特徴とする請求項１又は２記載の最適化燃料演算装置。
  4. 　前記廃油には、施設浮上油、高酸価油脂、グリストラップ油泥、廃水油脂、及び家庭系廃油の少なくとも１つが含まれ、
    　前記製造可能な最適なバイオ燃料の種類には、液体燃料としては発電用燃料、気体燃料としてはバイオガス及び水素が含まれる、ことを特徴とする請求項１乃至３の何れか一項に記載の最適化燃料演算装置。
  5. 　前記機械学習モデルの学習の際には、廃油の各酸価に基づく多種の調合パターン検体の酸価調整の結果、主成分となる油種のセタン価及び発熱量の燃焼特性並びに硫黄分の成分特性、廃油の酸価に基づく水酸化カルシウ、水酸化カリウム又は水酸化ナトリウムの投入量と油分の分離比率、及び各種バイオ燃料製造技術の適用の結果、の少なくとも１つ以上がライブラリデータとして与えられる、ことを特徴とする請求項１乃至４の何れか一項に記載の最適化燃料演算装置。
  6. 　さらに、所望のバイオ燃料に関する情報を入力する入力部を備え、
    　前記最適化演算実行部は、廃油から、前記入力部を介して入力された所望のバイオ燃料を製造するための最適化演算を行う、ことを特徴とする請求項１乃至５の何れか一項に記載の最適化燃料演算装置。
  7. 　さらに、通信網への通信接続を実現する通信部を備え、
    　前記最適化燃料演算装置は、前記通信部を介して前記記憶部に記憶される廃油に関するデータを取得する、ことを特徴とする請求項１乃至６の何れか一項に記載の最適化燃料演算装置。
  8. 　バイオマス資源である廃油から製造可能な、最適なバイオ燃料を自動計算する最適化燃料演算方法であって、
    　廃油に関するデータを保持する記憶ステップと、
    　前記記憶ステップにおいて記憶される廃油に関する情報が入力される機械学習モデルを用いて、廃油からバイオ燃料を製造するための最適化演算を実行する最適化演算実行ステップと、を含み、
    　前記記憶ステップにおいて記憶される前記廃油に関するデータには廃油の種類、量及び酸価が含まれ、
    　前記最適化演算実行ステップにおいて、廃油の酸価、製造されるバイオ燃料のセタン価及び発熱量の燃焼特性の少なくとも一つに基づいて、製造可能な最適なバイオ燃料の種類を決定し、且つ廃油の混合割合を決定する、ことを特徴とする最適化燃料演算方法。
  9. 　バイオマス資源である廃油から製造可能な、最適なバイオ燃料を自動計算する最適化燃料演算装置に用いられるプログラムであって、
    　廃油に関するデータを保持する記憶ステップと、
    　前記記憶ステップにおいて記憶される廃油に関する情報が入力される機械学習モデルを用いて、廃油からバイオ燃料を製造するための最適化演算を実行する最適化演算実行ステップと、を含み、
    　前記記憶ステップにおいて記憶される前記廃油に関するデータには廃油の種類、量及び酸価が含まれ、
    　前記最適化演算実行ステップにおいて、廃油の酸価、製造されるバイオ燃料のセタン価及び発熱量の燃焼特性の少なくとも一つに基づいて、製造可能な最適なバイオ燃料の種類を決定し、且つ廃油の混合割合を決定する、ことを特徴とするプログラム。
PCT/JP2021/016710 2021-04-27 2021-04-27 廃油を利用した最適化燃料演算装置 WO2022230035A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021523531A JPWO2022230035A1 (ja) 2021-04-27 2021-04-27
PCT/JP2021/016710 WO2022230035A1 (ja) 2021-04-27 2021-04-27 廃油を利用した最適化燃料演算装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/016710 WO2022230035A1 (ja) 2021-04-27 2021-04-27 廃油を利用した最適化燃料演算装置

Publications (1)

Publication Number Publication Date
WO2022230035A1 true WO2022230035A1 (ja) 2022-11-03

Family

ID=83846766

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/016710 WO2022230035A1 (ja) 2021-04-27 2021-04-27 廃油を利用した最適化燃料演算装置

Country Status (2)

Country Link
JP (1) JPWO2022230035A1 (ja)
WO (1) WO2022230035A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023238442A1 (ja) * 2022-06-07 2023-12-14 株式会社ティービーエム バイオガス資材の評価値演算装置、及び当該評価値演算装置に用いるプログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009223386A (ja) * 2008-03-13 2009-10-01 Toshiba Corp バイオマス有効利用支援システム
JP2011202014A (ja) * 2010-03-25 2011-10-13 Maekawa Seisakusho:Kk 食用廃油からバイオ燃料を生産するバイオ燃料生産方法およびバイオ燃料生産装置、ならびに混合燃料生産装置。
JP2013204031A (ja) * 2012-03-29 2013-10-07 Taiyo Nippon Sanso Corp バイオ燃料の製造方法
JP2019131631A (ja) * 2018-01-29 2019-08-08 三菱日立パワーシステムズ株式会社 半炭化処理条件決定装置および半炭化処理条件決定方法
WO2019167743A1 (ja) * 2018-02-27 2019-09-06 三菱重工業株式会社 バイオガス品質評価装置、バイオガス品質評価方法、およびプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009223386A (ja) * 2008-03-13 2009-10-01 Toshiba Corp バイオマス有効利用支援システム
JP2011202014A (ja) * 2010-03-25 2011-10-13 Maekawa Seisakusho:Kk 食用廃油からバイオ燃料を生産するバイオ燃料生産方法およびバイオ燃料生産装置、ならびに混合燃料生産装置。
JP2013204031A (ja) * 2012-03-29 2013-10-07 Taiyo Nippon Sanso Corp バイオ燃料の製造方法
JP2019131631A (ja) * 2018-01-29 2019-08-08 三菱日立パワーシステムズ株式会社 半炭化処理条件決定装置および半炭化処理条件決定方法
WO2019167743A1 (ja) * 2018-02-27 2019-09-06 三菱重工業株式会社 バイオガス品質評価装置、バイオガス品質評価方法、およびプログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023238442A1 (ja) * 2022-06-07 2023-12-14 株式会社ティービーエム バイオガス資材の評価値演算装置、及び当該評価値演算装置に用いるプログラム
JP7445248B1 (ja) 2022-06-07 2024-03-07 株式会社ティービーエム バイオガス資材の評価値演算装置、及び当該評価値演算装置に用いるプログラム

Also Published As

Publication number Publication date
JPWO2022230035A1 (ja) 2022-11-03

Similar Documents

Publication Publication Date Title
Hodge et al. Systematic evaluation of industrial, commercial, and institutional food waste management strategies in the United States
Cudjoe et al. Plasma gasification versus incineration of plastic waste: Energy, economic and environmental analysis
Garg et al. Wastes as co-fuels: the policy framework for solid recovered fuel (SRF) in Europe, with UK implications
Van Fan et al. Process efficiency optimisation and integration for cleaner production
Farooq et al. A framework for the selection of suitable waste to energy technologies for a sustainable municipal solid waste management system
Vijay et al. Biogas as clean fuel for cooking and transportation needs in India
Francini et al. Environmental and cost life cycle analysis of different recovery processes of organic fraction of municipal solid waste and sewage sludge
Suresh et al. Life cycle greenhouse gas emissions and costs of production of diesel and jet fuel from municipal solid waste
Indrawan et al. The biogas development in the Indonesian power generation sector
Ward et al. The potential of fish and fish oil waste for bioenergy generation: Norway and beyond
WO2022230035A1 (ja) 廃油を利用した最適化燃料演算装置
WO2021144994A1 (ja) 廃水油脂を利用したｃｏ２削減クレジット演算システム
Song et al. Residual municipal solid waste to energy under carbon neutrality: Challenges and perspectives for China
Liu et al. Sludge valorization process for waste-to-value-added products: process simulation, sustainability assessment, and fuzzy multi-criteria decision making
Hazrat et al. Biodiesel production from transesterification of Australian Brassica napus L. oil: Optimisation and reaction kinetic model development
Rosa et al. Mathematical model to predict the energy potential of UASB-based sewage treatment plants
Tian et al. Sustainability assessment: focusing on different technologies recovering energy from waste
Alfonso-Cardero et al. To dream or not to dream in Havana: multi-criteria decision-making for material and energy recovery from municipal solid wastes
Pereira Nascimento et al. Energy analysis of products and processes in a sanitary landfill
Roy et al. Biogas generation from kitchen and vegetable waste in replacement of traditional method and its future forecasting by using ARIMA model
Lee et al. Mobilising the potential towards low-carbon emissions society in Asia
Kukana et al. An appraisal on enablers for enhancement of waste cooking oil-based biodiesel production facilities using the interpretative structural modeling approach
Tu Fats, Oils and Greases to Biodiesel: Technology Development and Sustainability Assessment
Khan et al. Modelling of compression ignition engine by soft computing techniques (ANFIS-NSGA-II and RSM) to enhance the performance characteristics for leachate blends with nano-additives
Barik Comprehensive remark on waste to energy and waste disposal problems

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021523531

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21939197

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21939197

Country of ref document: EP

Kind code of ref document: A1