WO2023238442A1 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- WO2023238442A1 WO2023238442A1 PCT/JP2023/004304 JP2023004304W WO2023238442A1 WO 2023238442 A1 WO2023238442 A1 WO 2023238442A1 JP 2023004304 W JP2023004304 W JP 2023004304W WO 2023238442 A1 WO2023238442 A1 WO 2023238442A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- biogas
- methane
- evaluation value
- materials
- machine learning
- Prior art date
Links
- 239000000463 material Substances 0.000 title claims abstract description 404
- 238000011156 evaluation Methods 0.000 title claims abstract description 230
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 698
- 238000010801 machine learning Methods 0.000 claims abstract description 123
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004064 recycling Methods 0.000 claims abstract description 18
- 239000002994 raw material Substances 0.000 claims description 152
- 238000004364 calculation method Methods 0.000 claims description 111
- 238000000855 fermentation Methods 0.000 claims description 96
- 230000004151 fermentation Effects 0.000 claims description 96
- 238000011084 recovery Methods 0.000 claims description 72
- 150000002632 lipids Chemical class 0.000 claims description 69
- 238000000034 method Methods 0.000 claims description 68
- 239000007789 gas Substances 0.000 claims description 61
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 60
- 238000002309 gasification Methods 0.000 claims description 58
- 235000014633 carbohydrates Nutrition 0.000 claims description 48
- 150000001720 carbohydrates Chemical class 0.000 claims description 48
- 239000005416 organic matter Substances 0.000 claims description 47
- 229910052799 carbon Inorganic materials 0.000 claims description 42
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 40
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 38
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 38
- 229910052760 oxygen Inorganic materials 0.000 claims description 38
- 239000001301 oxygen Substances 0.000 claims description 38
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 36
- 229910052757 nitrogen Inorganic materials 0.000 claims description 32
- 108090000623 proteins and genes Proteins 0.000 claims description 31
- 102000004169 proteins and genes Human genes 0.000 claims description 31
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 235000015097 nutrients Nutrition 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 21
- 239000000203 mixture Substances 0.000 claims description 20
- 229910052742 iron Inorganic materials 0.000 claims description 19
- 229910052759 nickel Inorganic materials 0.000 claims description 19
- 239000007787 solid Substances 0.000 claims description 19
- 239000010941 cobalt Substances 0.000 claims description 18
- 229910017052 cobalt Inorganic materials 0.000 claims description 18
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 claims description 18
- 239000011785 micronutrient Substances 0.000 claims description 18
- 235000013369 micronutrients Nutrition 0.000 claims description 18
- 235000015872 dietary supplement Nutrition 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 17
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 16
- 239000001257 hydrogen Substances 0.000 claims description 16
- 229910052739 hydrogen Inorganic materials 0.000 claims description 16
- 229920002678 cellulose Polymers 0.000 claims description 15
- 239000001913 cellulose Substances 0.000 claims description 15
- 229920002488 Hemicellulose Polymers 0.000 claims description 12
- 229920005610 lignin Polymers 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 239000000470 constituent Substances 0.000 claims description 11
- 238000006065 biodegradation reaction Methods 0.000 claims description 10
- 239000000654 additive Substances 0.000 claims description 9
- 239000008394 flocculating agent Substances 0.000 claims description 8
- 239000010794 food waste Substances 0.000 abstract description 94
- 239000010802 sludge Substances 0.000 abstract description 45
- 235000013305 food Nutrition 0.000 abstract description 39
- 241000196324 Embryophyta Species 0.000 description 92
- 238000013473 artificial intelligence Methods 0.000 description 67
- 238000004458 analytical method Methods 0.000 description 35
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 34
- 239000003921 oil Substances 0.000 description 25
- 239000002028 Biomass Substances 0.000 description 18
- 239000011734 sodium Substances 0.000 description 18
- 229910002092 carbon dioxide Inorganic materials 0.000 description 17
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000010248 power generation Methods 0.000 description 17
- 239000003925 fat Substances 0.000 description 15
- 238000003860 storage Methods 0.000 description 15
- 230000009467 reduction Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 239000002699 waste material Substances 0.000 description 13
- 230000005764 inhibitory process Effects 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 9
- 244000144972 livestock Species 0.000 description 9
- 239000002351 wastewater Substances 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 8
- 241000209094 Oryza Species 0.000 description 8
- 235000007164 Oryza sativa Nutrition 0.000 description 8
- 235000009566 rice Nutrition 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 238000002203 pretreatment Methods 0.000 description 7
- 239000010871 livestock manure Substances 0.000 description 6
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 5
- 239000004519 grease Substances 0.000 description 5
- 239000010902 straw Substances 0.000 description 5
- 244000061456 Solanum tuberosum Species 0.000 description 4
- 235000002595 Solanum tuberosum Nutrition 0.000 description 4
- 241000209140 Triticum Species 0.000 description 4
- 235000021307 Triticum Nutrition 0.000 description 4
- 240000008042 Zea mays Species 0.000 description 4
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 235000011187 glycerol Nutrition 0.000 description 4
- 239000002440 industrial waste Substances 0.000 description 4
- 235000009973 maize Nutrition 0.000 description 4
- 210000004767 rumen Anatomy 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 239000010801 sewage sludge Substances 0.000 description 4
- 241000894006 Bacteria Species 0.000 description 3
- 108010059892 Cellulase Proteins 0.000 description 3
- 229910021580 Cobalt(II) chloride Inorganic materials 0.000 description 3
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 3
- 229910021577 Iron(II) chloride Inorganic materials 0.000 description 3
- 229910021586 Nickel(II) chloride Inorganic materials 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005262 decarbonization Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- NMCUIPGRVMDVDB-UHFFFAOYSA-L iron dichloride Chemical compound Cl[Fe]Cl NMCUIPGRVMDVDB-UHFFFAOYSA-L 0.000 description 3
- QMMRZOWCJAIUJA-UHFFFAOYSA-L nickel dichloride Chemical compound Cl[Ni]Cl QMMRZOWCJAIUJA-UHFFFAOYSA-L 0.000 description 3
- 235000014593 oils and fats Nutrition 0.000 description 3
- 239000000123 paper Substances 0.000 description 3
- 229910052708 sodium Inorganic materials 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 240000005979 Hordeum vulgare Species 0.000 description 2
- 235000007340 Hordeum vulgare Nutrition 0.000 description 2
- 102000004882 Lipase Human genes 0.000 description 2
- 108090001060 Lipase Proteins 0.000 description 2
- 239000004367 Lipase Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000012752 auxiliary agent Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000013365 dairy product Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 235000019421 lipase Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 241000482268 Zea mays subsp. mays Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 239000002551 biofuel Substances 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000006911 enzymatic reaction Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 235000013611 frozen food Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 239000010800 human waste Substances 0.000 description 1
- 239000010903 husk Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 235000021156 lunch Nutrition 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000010815 organic waste Substances 0.000 description 1
- 239000010893 paper waste Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000010908 plant waste Substances 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- -1 that is Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000003403 water pollutant Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09B—DISPOSAL OF SOLID WASTE NOT OTHERWISE PROVIDED FOR
- B09B3/00—Destroying solid waste or transforming solid waste into something useful or harmless
- B09B3/60—Biochemical treatment, e.g. by using enzymes
- B09B3/65—Anaerobic treatment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E50/00—Technologies for the production of fuel of non-fossil origin
- Y02E50/30—Fuel from waste, e.g. synthetic alcohol or diesel
Definitions
- Non-Patent Document 1 In recent years, the problem of global warming has become more serious, and efforts are being made to reduce greenhouse gases such as carbon dioxide and methane gas. The goal is to achieve carbon neutrality with virtually zero emissions (see, for example, Non-Patent Document 1).
- CO2 there are various ways to reduce CO2, such as the introduction of renewable energy equipment such as solar and wind power generation, the introduction of energy-saving products such as heat pumps, and forest management activities, but one of them is the use of biomass. There is utilization (reuse of food waste).
- the first step in reusing unused residual sludge and food loss as resources is biogasification 1004 (methane power generation, green hydrogen) in a biogas plant that performs methane fermentation.
- biogasification 1004 methane power generation, green hydrogen
- commercial food waste including residual sludge and food loss
- the present invention has been made in view of the above-mentioned problems, and is capable of (A) prior diagnosis of biogas materials, which have hitherto been an obstacle when accepting food waste as biogas materials, and (B) C) Eliminate the lack of evaluation values for stable power plant operation when introducing biogas materials, and present various evaluation values in order to promote more active use of biogas resources.
- the purpose is to provide an evaluation value calculation device for biogas materials.
- the present invention provides an evaluation value calculation device that calculates an evaluation value regarding resource recovery of biogas materials, the present invention being an input that accepts input of a machine learning library regarding biogas materials or characteristic data of biogas materials.
- a machine learning model into which the machine learning library or characteristic data of the biogas material is input from the input unit; and a learning machine that executes a process of learning setting values in the machine learning model based on the machine learning library.
- the characteristic data includes at least one of information on the type, collection location, property, and quantity of the biogas material.
- data regarding the operational status of the biogas plant is further input to the input unit, and data regarding the operational status of the biogas plant is further input to the machine learning model. and the evaluation value calculation execution unit estimates an evaluation value regarding resource recovery of biogas materials by using the machine learning model and executing an estimation process based on the characteristic data and the operation status data of the biogas plant.
- Data on the operational status of the biogas plant includes the type of biogas materials used in the plant, the fermentation method, the presence or absence of additives such as flocculants and their amounts, and the VS in a 1m3 methane fermentation tank. It is preferable that at least one of the following information is included: volume load, organic matter decomposition rate in the methane fermenter, amount of methane gas generated in the gas holder, and measured methane yield (BMP).
- the evaluation value calculation execution unit further determines whether (a) the C/N ratio is 25 or more; whether the lipid/VS ratio is 35 or less; (c) whether the lipid/carbohydrate ratio is 13 or more; (d) whether the protein/carbohydrate ratio is 26 or more; (e ) Among the micronutrients, whether iron is 165 or more (mg/kg-COD raw material), cobalt is 14 or more (mg/g-COD raw material), and nickel is 5 or more (mg/g-COD raw material), It is preferable to estimate at least one of (f) whether the Na concentration is less than 5.6 g/L, and (g) the methane yield during mixed fermentation.
- the evaluation value calculation execution unit determines that when the methane yield is less than 100mL/g-VS, the combination is unsuitable for mixed fermentation treatment of biogas materials. It is preferable to judge that.
- the evaluation value calculation execution unit further determines that (a) the C/N ratio is 25 or more and 27 or less, and (d) the protein/carbohydrate ratio is 26 or more. It is preferable to determine whether (b) the lipid/VS ratio is 35 or less, and (c) the lipid/carbohydrate ratio is 13 or more.
- the evaluation value calculation execution unit further predicts and analyzes the types and amounts of appropriate gasification promoters, nutritional supplements, auxiliary raw materials, etc.
- the machine learning library includes information such as whether or not pretreatment is necessary for individual biogas materials and mixed biogas materials, compositional formula of organic matter of each methane material, fermentation temperature, and number of fermentation days. , organic matter concentration (VS), solid matter amount (TS), organic matter ratio (VS/TS), ash concentration, chemical oxygen demand (COD), theoretical oxygen demand (ThOD), COD/VS value of each methane material.
- each methane material contains carbon (C:%VS), nitrogen (N:%VS), oxygen (O:%VS), hydrogen (H:%VS)), each methane Concentration of nutrients such as carbohydrates, lipids, proteins, and ash in materials, concentration of hemicellulose, cellulose, and lignin in each methane material (%VS), C/N ratio (ratio of carbon concentration to nitrogen concentration in each methane material), lipid/VS ratio (ratio of lipid concentration and VS concentration of each methane material), Na concentration, iron (mg/kg-COD raw material), cobalt (mg/g-COD raw material), nickel (mg/g-COD raw material) of each methane Concentration of micronutrients in materials, theoretical methane yield (ThBMP: ml/g-VS), predicted measured methane yield (BMP: ml/g-VS), biodegradation rate, VS decomposition rate, and energy yield It is preferable that at least one
- This evaluation value calculation device for biogas materials further includes a communication unit that realizes a communication connection to a communication network, and the biogas material estimated by the machine learning library and the evaluation value calculation execution unit is connected to the communication unit via the communication unit. It is preferable to transmit evaluation values regarding resource recovery of gas materials.
- an evaluation value calculation device that calculates evaluation values regarding the recycling of biogas materials, and that accepts input of machine learning libraries related to biogas materials or characteristic data of biogas materials.
- an evaluation value calculation execution step of estimating an evaluation value regarding resource recovery of biogas materials by executing an estimation process based on the characteristic data using the machine learning model is characterized in that it includes at least one of information on the type, collection location, property, and quantity of the biogas material.
- an evaluation value calculation method for calculating an evaluation value regarding resource recovery of biogas materials is provided.
- the present invention is an evaluation value calculation device for biogas materials, which includes an input section that receives input of a machine learning library related to biogas materials or characteristic data of the biogas materials, and a machine learning library or characteristic data of the biogas materials from the input section.
- a machine learning model into which is input, a learning process execution unit that executes a process of learning setting values in the machine learning model based on a machine learning library, and an estimation process based on characteristic data using the machine learning model.
- an evaluation value calculation execution unit that calculates an evaluation value regarding resource recovery of biogas materials.
- the characteristic data includes at least one of the following information: type, collection location, property, and quantity of the biogas material.
- the biogas material evaluation value calculation device determines the source of food waste such as residual sludge and food loss, and the source of methane gas using food waste, based on the estimated evaluation value. It is possible to optimally match biogas plants that will be converted into biogas plants, improve the operating rate of biogas plants, and ultimately contribute to the realization of a decarbonized society.
- FIG. 1 is an overall process diagram of a core system of a methane resource recovery matching system including an evaluation value calculation device for biogas materials according to an embodiment of the present invention.
- FIG. 2 is an overall configuration diagram of the methane recycling matching system shown above.
- FIG. 2 is an explanatory diagram of a program used in the methane resource recycling matching system as described above.
- FIG. 3 is a diagram showing an actual example of biogasification promotion using a gasification promoter. It is a flowchart which shows the flow of the whole program used for the evaluation value calculation device same as the above. It is a figure explaining the flow of the methane resource recycling matching system same as the above, and the evaluation value calculation device same as the above.
- FIG. 2 is a diagram illustrating the current problems with residual sludge and food loss.
- the methane resource recovery service mainly includes a methane material recovery process, a matching process, and a methane gas production/use process.
- a field agency which is, for example, a working company, manages the cleaning of grease traps at restaurants, etc., and collects wastewater oil and residual sludge from the grease traps.
- the technology for recovering biomass from grease traps includes, for example, the device shown in Patent No. 4401007, which is a patented technology owned by the applicant, the device shown in Patent No. 4420750, and the device shown in Utility Model No. 3216173. Available.
- the biogas plant operator uses the biomass (livestock manure, food waste, residual sludge (including purified sludge), food loss, etc.) delivered to the biogas plant after the above matching process.
- Produce biogas (methane gas).
- Biogas is generated by fermenting livestock manure, food loss, and residual sludge in a fermenter, and is generally stored in a gas holder and then used for power generation. In the future, this methane gas can be reformed and used as green hydrogen derived from non-fossil fuels.
- biofuel methane gas
- food waste sources and biogas plants are eligible for carbon credits. If the business implementing the system has a CO2 reduction target, the amount of the reduction that exceeds the target will be earned as carbon credits. Small businesses that have introduced the system but do not have CO2 reduction targets can save the entire amount as carbon credits. Carbon credits can be sold, for example, in Japan using the J-Credit system, and overseas using carbon credit trading systems established by each country.
- the terminal device 30 is a terminal such as a smartphone that is operated by the site of the food waste source or the head office of the source of the food waste, and inputs information regarding the food waste to be generated.
- the terminal device 30 installs and executes a dedicated application for field investigation and matching that inputs basic matching data for methane resource recovery, for example, and displays the results on the screen.
- This dedicated application may include a visualization web app for operational management of the collection of emitted food waste.
- the terminal device 30 establishes a communication session with the support company's terminal device 40 and the management server 50 based on a predetermined protocol, and sends and receives photos of food waste, data and files related to the management of food waste and wastewater oils and fats. I do.
- the IoT site survey program 401 is based on input data and site photographs regarding food waste sent from the terminal device 30 or terminal device 40 via a smartphone app etc. Understand the type, amount, and properties of methane materials. Furthermore, the type and amount of methane materials required by the methane gas plant are grasped based on the gas production amount or power generation status and requests transmitted from the terminal device 20 or 30 of the biogas plant. That is, by using the IoT site survey program 401, the management server 50 acquires data regarding the site survey and the gas production amount or power generation of the biogas plant from the terminal devices 20, 30, and 40. Improve efficiency and productivity of methane gas generation or methane power generation by centrally managing food waste data at food waste sources such as food factories that have previously been used, as well as the gas production amount or power generation status of biogas plants. We aim to
- food waste generators utilize mobile terminals such as smartphones (terminal device 30)
- biogas plants utilize mobile terminals such as smartphones (terminal device 20)
- support companies utilize mobile terminals such as smartphones (terminal device 20).
- a mobile terminal terminal device 40
- the management server 50 grasps the status of food waste sources and biogas plants based on the IoT site investigation program 401.
- the time required to process data related to field surveys which previously required 30 minutes per site, can be reduced to 1 minute per site after using this program.
- the management server 50 uses the AI methane resource recovery program 402 to construct a highly accurate prediction model and applies highly accurate methane yield estimation formulas for these individual materials. In addition, we will construct and apply estimation formulas that include new analysis methods, nutrients, inhibition caused by oils and fats, and synergies due to raw material mixtures. This allows the management server 50 of the general headquarters to centrally manage the evaluation of energy conversion equipment and methane fermentation raw materials.
- accelerators are effective in decomposing cellulose.
- methane yield of cellulose-rich agricultural residues such as resource crops such as rice straw, rice husk, and dent corn.
- Food waste gas will not increase.
- reaction tank equipment for carrying out the enzyme reaction for several hours to one day.
- cellulase enzymes for example, cellulase enzymes, rumen fluid.
- the AI methane resource recovery program 402 identifies sources of food waste (commercial facilities, restaurants, hotels, food factories, etc.) and operators of biogas (methane gas) plants. By linking through analysis results regarding the compatibility of mixed fermentation of food waste) and biogas materials actually used in plants (food waste/oil/fat/sludge/livestock excrement, etc.), we can achieve more efficient results.
- the aim is to realize biogas power generation (or clean hydrogen generation) and, by extension, to improve the recycling rate of food waste.
- the AI gasification promotion program 403 determines the type and addition of appropriate gasification promoters, nutritional supplements, auxiliary raw materials, etc. based on analysis and evaluation data regarding the compatibility of mixed fermentation of each biogas material by the AI methane resource recovery program. By predicting and analyzing the amount, the aim is to create better fermentation conditions when mixing and fermenting one or more biogas materials in stock.
- the AI methane resource recovery program 402 is composed of two AIs: a methane resource recovery evaluation AI 402a for individual materials and a methane resource recovery evaluation AI 402b for mixed materials shown in FIG.
- the basic functions of each AI are as follows.
- Methane resource recovery evaluation AI402a for individual materials Regarding the biogas materials collected from each emission source and the materials currently used at each plant, the component properties, methane yield (amount of methane gas generated), and energy yield of each material are evaluated. We will analyze the value of each material as a biogas material, such as its rate.
- Methane resource recovery evaluation for mixed materials AI402b For the biogas materials collected from each emission source and the materials used at each plant, the combination of mixed fermentation that will give the most efficient methane yield and energy yield. Perform predictions and analysis.
- AI402a, 402b, and 403a can all be installed in each device that makes up the above-mentioned "Methane Resource Recycling Matching System S," making specialized data regarding resource recovery easy to understand for emissions sources and plant operators. , and the information is presented in an easy-to-use order, priority, and display format (methane yield, energy yield, CO2 emission reduction, material cost order, graph display, etc.) (for example, see Figure 6).
- the methane resource recovery evaluation AI 402a for individual materials is one of the AIs that constitutes the AI methane resource recovery program 402 as described above.
- the value of each material as a methane material is predicted and analyzed in light of component index master data as shown in Figure 7.
- the results of this prediction and analysis are not only presented to the discharge source of each material and the biogas plant operator in the methane resource matching system, but also presented in ⁇ (2-2) Methane resource evaluation AI for mixed materials'' as described below.
- Methane yield acceleration prediction AI serves as one of the reference data for compatibility analysis regarding mixed fermentation of each biogas material, and prediction and analysis of synergy (or inhibition).
- data regarding collected food waste and biogas materials currently used in the plant include the collection location, type, and properties (liquid, solid, gas, processed) of each biogas material. Data on characteristics of biogas materials such as ⁇ presence or absence, etc.'', ⁇ amount,'' and inventory, etc. This data is managed in real time using blockchain, for example.
- data regarding the operational status of biogas plants includes, for example, the types of biogas materials used in each plant, the presence or absence of additives such as flocculants and their amounts, the temperature of raw material storage tanks, and methane fermentation.
- Data includes the measured methane yield (BMP), the amount of power generated (in the case of gas power generation), power generation efficiency, calorific value, power consumption within the facility, and consumption ratio (relative to the amount of power generated). This data will also be managed in real time using blockchain technology, just like the data related to each material in stock.
- the theoretical methane yield is estimated based on the conventionally known composition formula (element balance), chemical oxygen demand (COD) base (including CODCr and CODMn), and nutrients (including fiber). Apply multiple calculation methods such as base. The predicted and analyzed values will be made more accurate by reflecting data on the actual operating status of the biogas plant.
- COD chemical oxygen demand
- C a H b O c N d is the composition formula of the organic content of the raw material, and in practice, the organic content is considered to be equivalent to loss on ignition (VS), which is a general index.
- Ignition loss refers to substances that are volatilized when the evaporation residue of fermentation raw materials is heated to a temperature of about 600°C.
- Subscripts a to d contain numerical values specific to the raw material. For raw materials whose composition formula is unknown, it is necessary to use a formula determined experimentally using the CHN coder method (empirical formula).
- fD is a correction coefficient, which is the proportion of decomposable organic matter, that is, the decomposition rate by fermentation.
- This decomposition rate also needs to be determined experimentally if unknown. For example, it has been reported that food waste and food residue have a value of 0.75 to 0.85, pig excrement 0.45 to 0.55, dairy cow excrement 0.25 to 0.35, newspaper 0.34, herbs 0.55, pruned branches 0.25, and sewage sludge 0.50. There is.
- ThBMP indicates the ml of methane gas generated per VS1 g of the raw material.
- the component index master data learned and referenced by the "methane resource recovery evaluation AI402a for individual materials” for prediction and analysis includes various sample methane materials (food waste/oil/fat/sludge/livestock excrement/animal ⁇ The analysis results for each of the following items will be adopted.
- each methane material Concentration (%VS), C/N ratio (ratio of carbon concentration to nitrogen concentration of each methane material), lipid/VS ratio (ratio of lipid concentration to VS concentration of each methane material), Na concentration, iron (mg/kg -Concentration of micronutrients of each methane material such as COD raw material), cobalt (mg/g-COD raw material), nickel (mg/g-COD raw material), theoretical methane yield (ThBMP: ml/g-VS), actual measurement Methane yield (BMP: ml/g-VS), biodegradation rate, VS decomposition rate, energy yield, etc.
- %VS Concentration
- C/N ratio ratio of carbon concentration to nitrogen concentration of each methane material
- lipid/VS ratio ratio of lipid concentration to VS concentration of each methane material
- Na concentration iron (mg/kg -Concentration of micronutrients of each methane material such as COD raw material), cobalt (mg/
- Methane resource recovery evaluation AI402b for mixed materials is one of the AIs that constitutes the "AI methane resource recovery program 402."
- Based on the evaluation prediction and analysis data regarding methane resource conversion from biogas materials (food waste/oil/fat/sludge/livestock excrement, etc.) currently used in perform compatibility analysis and evaluation when one or more biogas materials in stock are mixed and fermented.
- the ⁇ Methane resource recovery evaluation AI402b for mixed materials'' also refers to data on the operational status of each biogas plant to find the best biogas compatibility for mixed fermentation for each biogas plant. Analyze and identify sources in real time that can provide the best biogas materials for mixed fermentation. Furthermore, data regarding each biobus material, the discharge source from which it is collected, the biogas plant, and the biogas materials currently used there are always linked.
- the methane resource recovery evaluation AI402b for the mixed materials is used to calculate the Predict and analyze methane fermentation compatibility in light of mixture index master data.
- compositional formula of organic matter for each methane material is assumed to be predicted and analyzed regarding the compatibility of each biogas material in stock when mixed and fermented.
- compositional formula of organic matter for each methane material is assumed to be predicted and analyzed regarding the compatibility of each biogas material in stock when mixed and fermented.
- compositional formula of organic matter for each methane material is assumed to be predicted and analyzed regarding the compatibility of each biogas material in stock when mixed and fermented.
- VS organic matter concentration
- TS solid matter amount
- VS/TS organic matter ratio
- ash concentration concentration of organic constituent elements of each methane material
- COD chemical oxygen demand
- ThOD theoretical oxygen demand
- COD/VS value concentration of organic constituent elements of each methane material
- concentration of nutrients such as carbohydrates, lipids, proteins, ash, etc.
- %VS Hemicellulose/cellulose/lignin concentration
- C/N ratio ratio of carbon concentration to nitrogen concentration of each methane material
- lipid/VS ratio ratio of lipid concentration to VS concentration of each methane material
- Na concentration Concentration of micronutrients when mixing materials such as iron (mg/kg-COD raw material), cobal
- each methane material Nutrient concentration, hemicellulose/cellulose/lignin concentration (%VS) of each methane material, C/N ratio (ratio of carbon concentration to nitrogen concentration of each methane material), lipid/VS ratio (lipid concentration and VS of each methane material) concentration ratio), Na concentration, micronutrient concentration of each methane material such as iron (mg/kg-COD raw material), cobalt (mg/g-COD raw material), nickel (mg/g-COD raw material), theoretical methane
- the analysis results of each item such as yield (ThBMP: ml/g-VS), measured methane yield (BMP: ml/g-VS), biodegradation rate, VS decomposition rate, energy yield, etc. will be adopted. Furthermore, data on the actual operational status of each biogas plant will be sampled based on the methane materials used and used as learning data for the AI.
- AI gasification promotion program 403 is a program consisting of methane yield promotion prediction AI 403a, and together with the aforementioned AI methane resource recovery program 402, constitutes methane resource recovery matching system S. do.
- Methodhane yield promotion prediction AI403a is calculated for each biomaterial.
- the types and amounts of "gasification accelerators,” “nutritional supplements,” and “auxiliary raw materials” necessary to create better fermentation conditions when fermenting individual gas materials are determined in light of the biogasification promotion index master data. , predict and analyze.
- “gasification accelerators” necessary to create better fermentation conditions are added for each combination for mixed fermentation of one or more biogas materials in stock imported from “Methane Resource Recovery Evaluation AI402b for Mixed Materials.
- “gasification accelerators” necessary to create better fermentation conditions are added.
- “nutritional supplements”, and “auxiliary raw materials” and their addition amounts are predicted and analyzed in light of the biogasification promotion index master data.
- ⁇ Gasification accelerators cellulase enzymes, rumen fluid, biochar, etc.
- ⁇ Nutritional supplements NiCl2 6H2O, CoCl2 6H2O, FeCl2 4H2O, etc.
- ⁇ Auxiliary raw materials oil and fat refinement sludge, BDF residue glycerin, etc.
- concentration of hemicellulose, cellulose, and lignin in each methane material concentration of hemicellulose, cellulose, and lignin in each methane material (%VS), C/N ratio (ratio of carbon concentration to nitrogen concentration of each methane material), lipid/VS ratio (ratio of lipid concentration to VS concentration of each methane material), Na concentration, iron (mg/kg-COD raw material), cobalt (mg/g-COD raw material), concentration of micronutrients when mixing materials such as nickel (mg/g-COD raw material), theoretical methane yield (ThBMP: ml/g-VS), measured methane yield (BMP: ml/g-VS) predicted value, biodegradation rate, VS degradation rate, energy yield, etc.
- C/N ratio ratio of carbon concentration to nitrogen concentration of each methane material
- lipid/VS ratio ratio of lipid concentration to VS concentration of each methane material
- Na concentration iron (mg/kg-COD raw material), cobal
- Examples of numerical indicators for each analysis item include the following items. a) C/N ratio: Whether the ratio of carbon concentration to nitrogen concentration of the raw material is 25 or more (if it is less than 25, there is a risk of inhibition) b) Lipid/VS ratio: The lipid concentration and VS concentration of the raw material c) Lipid/carbohydrate ratio: Whether the ratio of lipid concentration to carbohydrate concentration of the raw material is 13 or more.
- Protein /carbohydrate ratio Whether the ratio of protein concentration to carbohydrate concentration in the raw material is 26 or higher.
- Micronutrients For example, iron in the raw material is 165 (mg/kg-COD raw material) or higher, cobalt is 14 (mg/kg-COD raw material) or not.
- the methane resource recovery processing device 1 includes a control section 10, an evaluation value calculation section 11, a storage section 12, a communication section 13, a display section 14, an operation section 15, and a reading section 16.
- the operation of the evaluation value calculation device 1 will be described below as a single server computer, it may be configured such that processing is distributed among a plurality of computers, or may be configured in a cloud.
- the storage unit 12 uses a hard disk or flash memory.
- the storage unit 12 stores an evaluation value calculation program 1P and a machine learning library 1L that functions as a machine learning model. Further, the storage unit 12 stores definition data that defines a machine learning model, parameters including set values in the trained machine learning model, and the like.
- the programs stored in the evaluation value calculation program 1P are specifically the AI methane resource recovery program 402 and the AI gasification promotion program 403 described above.
- the display unit 14 uses a liquid crystal panel or the like.
- the operation unit 15 includes a user interface such as a keyboard or a mouse.
- the operation unit 15 notifies the control unit 10 of operation information by the user.
- This user operation information is, for example, characteristic data such as the type, collection location, properties, and quantity of biogas materials (individual materials, mixed materials), and operational status data of the biogas plant.
- the reading unit 16 is capable of reading an optimization calculation program and a machine learning library stored in the recording medium 2 using an optical disk or the like using, for example, a disk drive.
- the evaluation value calculation program 1P and machine learning library 1L stored in the storage unit 12 are the evaluation value calculation program 2P and machine learning library 3L read by the reading unit 16 from the recording medium 2, and the control unit 10 copies them into the storage unit 12. It may be something that has been done.
- the control unit 10 of the evaluation value calculation device 1 includes a learning processing execution unit 101 and an evaluation value calculation execution unit 102 that utilize AI (Artificial Intelligence).
- AI Artificial Intelligence
- the learning processing execution unit 101 executes processing to minimize the error between the output data obtained by inputting learning data into the entire machine learning model 112 and known learning data, and ) can be updated.
- the parameters obtained through this learning process are stored in the storage unit 12.
- the evaluation value calculation execution unit 102 estimates the evaluation value based on the evaluation value calculation program 1P stored in the storage unit 12. That is, the evaluation value calculation execution unit 102 uses a machine learning model to estimate an evaluation value for input biogas materials (individual materials, mixed materials). In addition, the evaluation value calculation execution unit 102 inputs biogas material related data (here, machine learning library, type of biomass material, collection location, property, etc.) based on the user's operation using the operation unit 15. It has a function of inputting characteristic data (including quantity, etc., and biogas plant operation status data) into the input unit 111.
- biogas material related data here, machine learning library, type of biomass material, collection location, property, etc.
- the operational status data of this biogas plant includes the type of biogas materials used in the plant, the fermentation method, the presence or absence of additives such as flocculants and their amounts, and the information in the 1 m 3 methane fermentation tank.
- This information includes VS volumetric load, organic matter decomposition rate in the methane fermenter, amount of methane gas generated in the gas holder, and measured methane yield (BMP).
- the input unit 111 of the evaluation value calculation unit 11 accepts input of a machine learning library regarding biogas materials or data related to biogas materials.
- the learning processing execution unit 101 outputs the machine learning library to the machine learning model 112.
- the evaluation value calculation execution unit 102 outputs characteristic data of the biogas material and operation status data of the biogas plant, which are the targets of estimation of the evaluation value, to the machine learning model 112.
- the type of biogas material-related data including property data of biogas materials and operational status data of biogas plants, which are subject to estimation of these machine learning libraries or evaluation values, can be determined by, for example, reading the information and identifiers in the header section. can.
- the development program for the machine learning model 112 is assumed to be Python or MATLAB (registered trademark), which are widely used for reading various data files, deep learning, data analysis, building model formulas, programming, etc. do.
- the machine learning model 112 becomes a convolutional neural network (CNN) that uses convolutional layers and pooling layers multiple times to extract input features during inference
- the machine learning model 112 has multiple stages defined by definition data.
- the method may include a convolution layer and a pooling layer, and a fully connected layer, or may extract feature amounts of input data and perform estimation processing based on the extracted feature amounts.
- C/N ratio Whether the ratio of carbon concentration to nitrogen concentration of the raw material is 25 or more (if it is less than 25, there is a risk of inhibition)
- Lipid/VS ratio The ratio of the lipid concentration of the raw material and Whether the ratio of VS concentration is 35 or less (if it is 35 or more, there is a risk of inhibition)
- Lipid/carbohydrate ratio whether the ratio of lipid concentration to carbohydrate concentration of raw materials is 13 or more
- Protein/carbohydrate ratio Whether the ratio of protein concentration to carbohydrate concentration in the raw material is 26 or higher.
- the machine learning model 112 evaluates the type and amount of appropriate gasification accelerators, nutritional supplements, auxiliary raw materials, etc. and their addition amounts based on the mixed fermentation evaluation value of each biogas material. It is also possible to create better fermentation conditions when performing mixed fermentation of two or more biogas materials.
- the evaluation value processed by the machine learning model 112 is input to the output unit 113 and can be output to the storage unit 12 as biogas material related data.
- the evaluation value calculation device 1 is able to use the AI-based machine learning model 112 to learn and estimate evaluation values regarding the recycling of biogas materials, and is able to accurately mix methane gas materials and achieve carbon neutrality. can contribute to
- the operation procedure when the evaluation value calculation device 1 according to the present embodiment operates as a learning device will be described with reference to FIG. 12.
- the input unit 111 outputs to the machine learning model 112 (S1202).
- the machine learning model 112 performs parameter update processing (setting value update processing) based on the machine learning library 1L (S1203).
- this updating of setting values is a process of minimizing the difference between input data and answer data, such as updating parameters using a mini-batch gradient descent method.
- the updated setting values are stored in the storage unit 12 (S1204).
- the operation procedure when the evaluation value calculation device 1 according to the present embodiment operates as an inference device will be described with reference to FIG. 13.
- the input unit 111 receives characteristic data such as the type, collection location, properties, and quantity of biogas materials (Yes in S1301)
- the input unit 111 outputs the characteristic data to the machine learning model 112.
- the machine learning model 112 performs inference processing based on the input characteristic data and generates inference data (for example, the above-mentioned evaluation value and determination of a to g) (S1303).
- the evaluation value that is the inference result is stored in the storage unit 12 (S1304).
- the AI model created in this experiment predicts evaluation values such as methane yield for biogas materials.
- MATLAB which is capable of mathematical expression processing, has the latest neural networks and a wide range of integrated machine learning functions as an AI model development program, and does not require large amounts of learning data or complicated programs.
- MATLAB which is capable of mathematical expression processing, has the latest neural networks and a wide range of integrated machine learning functions as an AI model development program, and does not require large amounts of learning data or complicated programs.
- Other tools such as “Python” and “Mathematica” (manufactured by WOLFRAM) may also be used.
- each methane material concentration of hemicellulose, cellulose, and lignin of each methane material (%VS) ), C/N ratio (ratio of carbon concentration to nitrogen concentration of each methane material), lipid/VS ratio (ratio of lipid concentration to VS concentration of each methane material), Na concentration, iron (mg/kg-COD raw material)
- Concentration of micronutrients in each methane material such as , cobalt (mg/g-COD raw material), nickel (mg/g-COD raw material), theoretical methane yield (ThBMP: ml/g-VS), measured methane yield ( BMP: ml/g-VS), biodegradation rate, VS decomposition rate, etc.
- AI models include machine learning models that train high-dimensional data sets as multivariate normal distributions, deep learning models that use autoencoders, which is a type of deep learning, etc. is possible, but other learning models may also be used.
- rape stalk-BP maize stalk-BP
- Wheat Straw 5.0cm Barley Straw 5.0cm
- cotton stalk-BP Maize stalks 2.0cm
- Rice Straw 5.0cm among which rice stalk- It was predicted that BP would be compatible with biogas production as a resource.
- the mixed biogas materials that satisfy all of the above conditions a to f are shown above the broken line, and the combinations with the highest methane yields are arranged in order from the top of the table. It was estimated that the list of materials below the broken line 221 is not an appropriate mixture because it does not satisfy any of the requirements a to f, even if the methane yield is high.
- the raw material that satisfies all of the above conditions a to f is rice.
- stalk-BP There are eight types: stalk-BP, wheat stalk-BP, rape stalk-BP, maize stalk-BP, Wheat Straw 5.0cm, Barley Straw 5.0cm, cotton stalk-BP, and Maize stalks 2.0cm. It was predicted that rice stalk-BP would be compatible with biogas production as a resource. Furthermore, it is estimated that the methane yield is higher than the estimated value when no gasification promoter is added (420.33 when no gasification promoter is added, 622.17 when a gasification promoter is added). Ta. As a result, it was estimated that for the individual biogas material Potato waste, mixing it with rice stalk-BP and adding a gasification accelerator would be optimal during biogas production.
- the present invention is a biogas material evaluation value calculation device 1 that calculates an evaluation value regarding resource utilization when producing biogas using at least one or more types of biogas materials.
- An input unit 111 that receives input of the machine learning library 1L regarding biogas materials or characteristic data of biogas materials or data regarding the operational status of the biogas plant;
- a machine learning model 112 into which data regarding the operating status of the gas plant is input, a learning process execution unit 101 that executes a process of learning setting values in the machine learning model 112 based on the machine learning library 1L, and a machine learning model 112.
- an evaluation value calculation execution unit 102 that executes estimation of an evaluation value regarding resource recovery of biogas materials by executing estimation processing based on characteristic data and data regarding the operational status of the biogas plant.
- lipid/VS ratio given lipid/VS ratio, (c) lipid/carbohydrate ratio, (d) protein/carbohydrate ratio, (e) iron (mg/kg-COD raw material), cobalt (mg/g-COD raw material), nickel (mg/g -Concentration of micronutrients in COD raw material), (f) Na concentration, and (g) theoretical methane yield (ThBMP: ml/g-VS).
- the biogas material evaluation value calculation device 1 can perform preliminary diagnosis of biogas materials, which has been an obstacle when accepting food waste etc. as biogas materials, and stable diagnosis when introducing biogas materials.
- the lack of evaluation values for operating biogas plants can be resolved, and the conversion of food waste and other materials into biogas resources can be promoted.
- sources of food waste such as residual sludge and food loss, as well as biogas plants that convert food waste into methane gas, through the Internet.
- the present invention can be realized not only as such an evaluation value calculation device, but also as an evaluation value calculation method that uses the characteristic means provided in such an evaluation value calculation device as steps,
- the steps can be implemented as a program that causes a computer to execute the 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- General Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Biochemistry (AREA)
- Sustainable Development (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Processing Of Solid Wastes (AREA)
- Treatment Of Sludge (AREA)
Abstract
本発明はバイオガス資材の評価値演算装置１であって、バイオガス資材に関する機械学習ライブラリ１Ｌ又はバイオガス資材の特性データ又はバイオガスプラントの運用状況に関するデータの入力を受け付ける入力部１１１と、入力部１１１から機械学習ライブラリ１Ｌ又はバイオガス資材の特性データ又はバイオガスプラントの運用状況に関するデータが入力される機械学習モデル１１２と、機械学習ライブラリ１Ｌに基づいて機械学習モデル１１２における設定値を学習する処理を実行する学習処理実行部１０１と、機械学習モデル１１２を用いて特性データ及びバイオガスプラントの運用状況データに対して推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行する評価値演算実行部１０２と、を備える。この構成により、本発明では、推算された評価値に基づいて、残渣汚泥や食品ロスなどの食品廃棄物の排出元、及び食品廃棄物を利用してメタンガス化を行うバイオガスプラントを最適にマッチングし、バイオガスプラントの稼働率向上を図ることができる。
Description
本発明は、特に、飲食店舗や食品工場など食品廃棄物（バイオガス資材）の排出元と、当該バイオガス資材を利用してメタン発酵・メタンガス化を行うバイオガスプラントと、をマッチングするメタン資源化マッチングシステムに用いるバイオガス資材の評価値演算装置に関する。
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、環境省では、脱炭素社会に向けて、2050年までにCO2（二酸化炭素）の排出を実質ゼロにするカーボンニュートラルの実現を目標としている（例えば、非特許文献１参照）。
CO2削減の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（食品廃棄物の再利用）がある。
食品廃棄物の排出元は、市民や事業者である。事業者から排出される食品廃棄物は、事業系廃棄物とされ、産業廃棄物として処理される。事業系食品廃棄物は、図２５に示すように、油１００１、残渣汚泥１００２及び食品ロス１００３に分類され、この内、飲食店や食品工場等から排出されるバイオマス資源である「油１００１（廃水油脂）」は、日本全国で年間30万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。
一方、事業系食品廃棄物の内、「残渣汚泥１００２」及び「食品ロス１００３」の資源化促進には、残された課題がある。この残渣汚泥・食品ロスは、図２６の表１１００に示すように、現在、日本全体で年間約３００万トンが未利用の状態にあるが、これらを例えばメタン発電に活用することで、年間６億kWhもの電力を創出するポテンシャルがある。マクドナルド（登録商標）やケンタッキー・フライド・チキン（登録商標）といった大手飲食チェーンに於いても、これら食品廃棄物は現状産廃処分されており未活用の状態にある。
"2050年カーボンニュートラルの実現に向けて"[令和４年５月２５日検索]、＜ＵＲＬ：https://www.env.go.jp/earth/2050carbon_neutral.html＞
このように未活用となっている残渣汚泥及び食品ロスの資源化の第一歩は、メタン発酵を行うバイオガスプラントにおけるバイオガス化１００４（メタン発電、グリーン水素）である。特に、メタン発電において、事業系食品廃棄物（残渣汚泥、食品ロスを含む）は、従来のメタンガス生産の主原料である家畜糞尿や下水汚泥に比べて、原料１トン当たりのバイオガス量が５～１０倍大きいという利点がある。そのため、食品残渣のメタン処理や家畜糞尿等との混合処理に基づくメタン発電が推奨されている。
しかしながら、食品廃棄物は性状が不安定であることから、バイオガスプラント設備における実際の設備稼働率が３８～４９％と低いのが現状である。以下、食品廃棄物に資源化ニーズはあるが、メタン利用が進まない主要な原因を説明する。
（A）第一に、バイオガスプラントで運用する前に性状が不安定な食品廃棄物を事前診断することは重要だが、現状、ガス発生量を評価するサービスは１検体あたり２０～５０万円と非常に高額であり、季節により頻繁に排出される食品廃棄物が変動し、かつ小ロットの食品廃棄物を事前診断することは極めて難しい。この結果、バイオガスプラントはガス発生量を予測できない。このため、発酵不良を避け、安定運転の維持を最優先として、新たな原料の受入は容易にせず、限られた原料のみを使用するために設備利用率が低くなっている。
（B）第二に、バイオガスプラントにおいて家畜糞尿など既存の主要原料と、新たに事業系食品廃棄物を受け入れ混合した場合（混合バイオガス資材）のガス発生量や運転挙動を事前評価できれば、より適切な運転管理が可能である。しかしながら、現状の混合バイオガス資材の事前評価の精度は低く、残渣汚泥及び食品ロスの資源化が進まない要因となっている。
（C）第三に、メタン菌が発酵する上で必要となる栄養素（硫黄、窒素、油分など）に過不足があったり、セルロース系の分解を促進するリパーゼが不足していると、十分な発酵がされず、想定よりもガス発生量が少なくなる。現状では、バイオガスプラントにおいてこのようなガス発生量を改善させる最適なガス化促進方法の判定とガス化促進剤の種類や量を適切に判断して投入する機能がないため、ガス発生量が少なくなり、その結果、設備利用率の低さに繋がっている。
本発明は、上記課題に鑑みてなされたものであり、これまで食品廃棄物などをバイオガス資材として受け入れる際に障害となってきた（A）バイオガス資材の事前診断と、（B）,（C）バイオガス資材導入時の安定した発電プラント運転のための評価値の不在を解消し、具体的に各種評価値を提示することで、より積極的なバイオガス資源の利用促進を図るためのバイオガス資材の評価値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、バイオガス資材の資源化に関する評価値を演算する評価値演算装置であって、バイオガス資材に関する機械学習ライブラリ又はバイオガス資材の特性データの入力を受け付ける入力部と、前記入力部から前記機械学習ライブラリ又はバイオガス資材の特性データが入力される機械学習モデルと、前記機械学習ライブラリに基づいて、前記機械学習モデルにおける設定値を学習する処理を実行する学習処理実行部と、前記機械学習モデルを用いて、前記特性データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行する評価値演算実行部と、を備え、前記特性データには、バイオガス資材の種類、回収場所、性状、及び分量の少なくとも１つの情報が含まれることを特徴とする。
このバイオガス資材の評価値演算装置において、前記入力部には、さらに、バイオガスプラントの運用状況に関するデータが入力され、前記機械学習モデルには、さらに、バイオガスプラントの運用状況に関するデータが入力され、前記評価値演算実行部は、前記機械学習モデルを用いて、前記特性データ及びバイオガスプラントの運用状況データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行し、前記バイオガスプラントの運用状況に関するデータには、プラントで使用されているバイオガス資材の種類、発酵方式、凝集剤などの添加物の有無とその分量、メタン発酵槽1m3におけるVS容積負荷、メタン発酵槽における有機物分解率、ガスホルダにおけるメタンガス発生量、及び実測メタン収率（BMP）の少なくとも１つの情報が含まれることが好ましい。
このバイオガス資材の評価値演算装置において、前記評価値演算実行部において推算される評価値には、個別バイオガス資材又は複数の個別バイオガス資材を混合した混合バイオガス資材の(a) 炭素濃度と窒素濃度の比率であるC/N比、(b) 脂質濃度と有機物濃度(VS:Volatile Solids)濃度の比率である脂質/VS比、(c) 脂質／炭水化物比、(d) タンパク質／炭水化物比、(e) 鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)の微量栄養素の濃度、(f) Na濃度、及び(g) 理論的メタン収率（ThBMP: ml/g-VS）の少なくとも１つが含まれることが好ましい。
このバイオガス資材の評価値演算装置において、前記評価値演算実行部は、混合バイオガス資材の場合には、さらに、(a) C/N比が、25以上であるか否か、(b) 脂質/VS比が、35以下であるか否か、(c) 脂質/炭水化物比が、13以上であるか否か、(d) タンパク質/炭水化物比が、26以上であるか否か、(e) 微量栄養素のうち、鉄が165 (mg/kg-COD原料)以上、コバルトが14 (mg/g-COD原料)以上、ニッケルが5 (mg/g-COD原料)以上であるか否か、(f) Na濃度が、5.6 g/L 未満であるか否か、(g)混合発酵時のメタン収率、の少なくとも１つを推算することが好ましい。
このバイオガス資材の評価値演算装置において、前記評価値演算実行部は、前記ａ～ｆの条件を満たし、且つ前記ｇのメタン収率が大きいほど、混合バイオガス資材のより良い混合発酵の相性と判断することが好ましい。
このバイオガス資材の評価値演算装置において、前記評価値演算実行部は、前記メタン収率が、100mL/g-VS未満である場合には、バイオガス資材同士の混合発酵処理には不向きな組み合わせと判断することが好ましい。
このバイオガス資材の評価値演算装置において、前記評価値演算実行部は、さらに、(a) C/N比が、25以上27以下である、(d) タンパク質/炭水化物比が、26以上である、(b) 脂質/VS比が35以下、且つ (c) 脂質/炭水化物比が、13以上であるか否かを判定することが好ましい。
このバイオガス資材の評価値演算装置において、前記評価値演算実行部は、さらに、適切なガス化促進剤、栄養補助剤、補助原料等の種類及びその添加量を予測・分析することが好ましい。
このバイオガス資材の評価値演算装置において、前記評価値演算実行部は、前記評価値として、さらに、各種のバイオガス資材の前処理の必要性の有無、各メタン資材の有機物の組成式、発酵温度、発酵日数、各メタン資材の有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）の含有量）、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）を推算することが好ましい。
このバイオガス資材の評価値演算装置において、前記機械学習ライブラリには、個別バイオガス資材及び混合バイオガス資材における前処理の必要性の有無、各メタン資材の有機物の組成式、発酵温度、発酵日数、各メタン資材の有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）の含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)の各メタン資材の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS）予測値、生分解率、VS分解率、及びエネルギー収率の少なくとも１つが含まれることが好ましい。
このバイオガス資材の評価値演算装置において、さらに、通信網への通信接続を実現する通信部を備え、当該通信部を介して前記機械学習ライブラリ、前記評価値演算実行部において推算された前記バイオガス資材の資源化に関する評価値を送信することが好ましい。
上記課題を解決するために、バイオガス資材の資源化に関する評価値を演算する評価値演算装置に用いるプログラムであって、バイオガス資材に関する機械学習ライブラリ又はバイオガス資材の特性データの入力を受け付けて、機械学習モデルに前記機械学習ライブラリ又はバイオガス資材の特性データを入力する入力ステップと、前記機械学習ライブラリに基づいて、前記機械学習モデルにおける設定値を学習する処理を実行する学習処理実行ステップと、前記機械学習モデルを用いて、前記特性データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行する評価値演算実行ステップと、を含み、前記特性データには、バイオガス資材の種類、回収場所、性状、及び分量の少なくとも１つの情報が含まれることを特徴とする。
このプログラムの前記入力ステップにおいては、さらに、バイオガスプラントの運用状況に関するデータが入力され、前記機械学習モデルには、さらに、バイオガスプラントの運用状況に関するデータが入力され、前記評価値演算実行ステップにおいては、前記機械学習モデルを用いて、前記特性データ及びバイオガスプラントの運用状況データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行し、前記バイオガスプラントの運用状況に関するデータには、プラントで使用されているバイオガス資材の種類、発酵方式、凝集剤などの添加物の有無とその分量、メタン発酵槽1m3におけるVS容積負荷、メタン発酵槽における有機物分解率、ガスホルダにおけるメタンガス発生量、及び実測メタン収率（BMP）の少なくとも１つの情報が含まれることが好ましい。
上記課題を解決するために、バイオガス資材の資源化に関する評価値を演算する評価値演算方法であって、バイオガス資材に関する機械学習ライブラリ又はバイオガス資材の特性データの入力を受け付けて、機械学習モデルに前記機械学習ライブラリ又はバイオガス資材の特性データを入力する入力ステップと、前記機械学習ライブラリに基づいて、前記機械学習モデルにおける設定値を学習する処理を実行する学習処理実行ステップと、前記機械学習モデルを用いて、前記特性データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行する評価値演算実行ステップと、を含み、前記特性データには、バイオガス資材の種類、回収場所、性状、及び分量の少なくとも１つの情報が含まれることを特徴とする。
このバイオガス資材の評価値演算方法の前記入力ステップにおいては、さらに、バイオガスプラントの運用状況に関するデータが入力され、前記機械学習モデルには、さらに、バイオガスプラントの運用状況に関するデータが入力され、前記評価値演算実行ステップにおいては、前記機械学習モデルを用いて、前記特性データ及びバイオガスプラントの運用状況データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行し、前記バイオガスプラントの運用状況に関するデータには、プラントで使用されているバイオガス資材の種類、発酵方式、凝集剤などの添加物の有無とその分量、メタン発酵槽1m3におけるVS容積負荷、メタン発酵槽における有機物分解率、ガスホルダにおけるメタンガス発生量、及び実測メタン収率（BMP）の少なくとも１つの情報が含まれることが好ましい。
本発明はバイオガス資材の評価値演算装置であって、バイオガス資材に関する機械学習ライブラリ又はバイオガス資材の特性データの入力を受け付ける入力部と、入力部から機械学習ライブラリ又はバイオガス資材の特性データが入力される機械学習モデルと、機械学習ライブラリに基づいて機械学習モデルにおける設定値を学習する処理を実行する学習処理実行部と、機械学習モデルを用いて特性データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行する評価値演算実行部と、を備える。上記特性データには、バイオガス資材の種類、回収場所、性状、及び分量の少なくとも１の情報が含まれる。この構成により、本発明に係るバイオガス資材の評価値演算装置では、推算された評価値に基づいて、残渣汚泥や食品ロスなどの食品廃棄物の排出元、及び食品廃棄物を利用してメタンガス化を行うバイオガスプラントを最適にマッチングし、バイオガスプラントの稼働率向上を図り、ひいては脱炭素化社会の実現に貢献できる。
（実施の形態）
最初に、本実施の形態に係る評価値演算装置を備えた食品廃棄物を利用したメタン資源化マッチングシステムについて図面を参照しながら説明する。このメタン資源化マッチングシステムは、バイオガスプラント事業者の運転状況に応じて、食品廃棄物などバイオガス資材の排出元である飲食チェーンなどから最適なバイオガス資材を供給するための脱炭素資源化サービスの一環である。なお、本実施の形態の説明において、バイオガス資材とは食品廃棄物（油脂廃棄物を含む）、残渣汚泥（精製汚泥を含む）、食品ロス、家畜排泄物などを意味する。また、バイオガス資材の排出元とは、例えば、飲食チェーン、食品工場、商業施設、スーパー、コンビニ、ホテル、学校・病院、社員食堂などである。
最初に、本実施の形態に係る評価値演算装置を備えた食品廃棄物を利用したメタン資源化マッチングシステムについて図面を参照しながら説明する。このメタン資源化マッチングシステムは、バイオガスプラント事業者の運転状況に応じて、食品廃棄物などバイオガス資材の排出元である飲食チェーンなどから最適なバイオガス資材を供給するための脱炭素資源化サービスの一環である。なお、本実施の形態の説明において、バイオガス資材とは食品廃棄物（油脂廃棄物を含む）、残渣汚泥（精製汚泥を含む）、食品ロス、家畜排泄物などを意味する。また、バイオガス資材の排出元とは、例えば、飲食チェーン、食品工場、商業施設、スーパー、コンビニ、ホテル、学校・病院、社員食堂などである。
＜全体工程図＞
最初に、メタン資源化マッチングシステム（以下、マッチングシステムと記す）を含むメタン資源化サービスの全体工程の概要に関して図１を参照して説明する。図１に示すように、メタン資源化サービスにおいては、主としてメタン資材回収工程、マッチング工程、及びメタンガス生産・使用工程を含む。
最初に、メタン資源化マッチングシステム（以下、マッチングシステムと記す）を含むメタン資源化サービスの全体工程の概要に関して図１を参照して説明する。図１に示すように、メタン資源化サービスにおいては、主としてメタン資材回収工程、マッチング工程、及びメタンガス生産・使用工程を含む。
最初に、メタン資材回収工程では、飲食店や食品工場など食品廃棄物の排出元から排出されるバイオマスのうちから、残渣汚泥（沈殿残渣）、食品ロス、食品廃棄物（油脂廃棄物を含む）、精製汚泥などを回収する。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、食品加工場など食品廃棄物の排出元から多くの食品ロス（売残り、期限切れ、材料残り他）が日々発生しており、これをメタン資源として回収する。また、食品廃棄物排出元からの廃水には、様々な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（Grease trap:グリース阻集器）や油水分離槽、原水槽）を備えて、廃水を一時的にプールし、残渣汚泥となる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。
メタン資材回収工程において、例えば作業会社であるフィールド代理店は、飲食店など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廃水油脂及び残渣汚泥を回収する。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、例えば弁当、冷凍食品、肉製品を生産する食品工場の油水分離槽を管理する代理店であり、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、その内の汚泥分（残渣汚泥）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。
次に、マッチング工程では、上記メタン資材回収工程において飲食店舗や食品工場などから回収される食品廃棄物（食品ロスなどのバイオマス資源）、及びこの食品廃棄物を用いてメタンガス化を行うバイオガスプラントを、IoT（Internet of Things）やAI（Artificial Intelligence）を利用して最適に結び付けて、バイオガスプラントにおける設備稼働率の向上や生産性向上を図る。
このマッチング工程では、例えば、これまで廃棄物として処理されていた食品廃棄物を、バイオマスプラントからのリクエストや運用状況（例えば、使用しているメタン資源や発電状況）などの条件に応じて、適切なメタン資源となる食品廃棄物の種類・混合割合、分量を提示し、回収・供給を行うサービスを展開する。これにより、食品関連事業者へ廃棄物削減、脱炭素、処理コスト低減など様々な価値を提供する。また、個別のバイオガスプラントに最適なメタン資材を供給することで、ガス量や発酵の安定、運営コスト低減などの価値を創出し、ガス生産量の増加に比例して発電量も増加し、脱炭素に貢献する。
次に、メタンガス生産・使用工程では、上記マッチング工程後にバイオガスプラントに搬入されたバイオマス（家畜糞尿、食品廃棄物、残渣汚泥（精製汚泥を含む）、食品ロスなど）からバイオガスプラント事業者がバイオガス（メタンガス）を製造する。バイオガスは、家畜糞尿、食品ロス、残渣汚泥を発酵槽で発酵させて発生させ、一般にガスホルダに貯蔵され、その後発電などに利用される。将来的には、このメタンガスを改質して、非化石燃料由来のグリーン水素として利用できる。
なお、食品廃棄物から製造されたバイオ燃料（メタンガス）の導入事業者、すなわち食品廃棄物の排出元及びバイオガスプラントは、カーボンクレジットの付与対象となる。導入事業者にCO2削減目標がある場合、削減目標以上に削減できた分がカーボンクレジットになる。導入事業者であって、CO2削減目標がない小規模事業者は全量をカーボンクレジットとして貯めることができる。カーボンクレジットは、例えば日本国においてはＪ－クレジット制度で販売することができ、海外においては各国が制定するカーボンクレジット取引制度を利用して販売することができる。
＜全体システム図＞
次に、本実施の形態に係るマッチングシステムＳの全体システムに関して図２を参照して説明する。マッチングシステムSは、総括本部が操作する管理サーバ５０、バイオガスプラントにおける端末装置（第二端末装置）２０、飲食チェーンや食品工場、ホテル、商業施設など食品廃棄物の排出元における端末装置（第一端末装置）３０、資源調査サポート会社における端末装置（第三端末装置）４０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。
次に、本実施の形態に係るマッチングシステムＳの全体システムに関して図２を参照して説明する。マッチングシステムSは、総括本部が操作する管理サーバ５０、バイオガスプラントにおける端末装置（第二端末装置）２０、飲食チェーンや食品工場、ホテル、商業施設など食品廃棄物の排出元における端末装置（第一端末装置）３０、資源調査サポート会社における端末装置（第三端末装置）４０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２０は、食品廃棄物を用いてバイオガス化（メタンガス化、メタン資源化とも呼ぶ）を行うバイオガスプラントが操作するパーソナルコンピュータやスマートフォンなどの端末である。端末装置２０は、例えばメタン資源化のマッチング基礎データを入力する現場調査及びマッチング用の専用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。また、端末装置２０は、所定プロトコルに基づいて、主として管理サーバ５０との通信セッションを確立して、バイオガスプラントでのメタン資材の管理、メタンガス生成量やメタン発電に関するデータやファイルの送受信を行う。また、例えばHttpのリクエスト形式で管理サーバ５０に所望のメタン資材のリクエストを送信する。
端末装置３０は、食品廃棄物の排出元の現場や排出元の本社が操作し、排出される食品廃棄物に関する情報を入力するスマートフォンなどの端末である。端末装置３０は、例えばメタン資源化のマッチング基礎データを入力する現場調査及びマッチング用の専用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。この専用アプリケーションは、排出される食品廃棄物の回収の作業管理用の可視化ウェブアプリを備えてもよい。端末装置３０は、所定プロトコルに基づいて、サポート会社の端末装置４０や管理サーバ５０との通信セッションを確立して、食品廃棄物の写真、食品廃棄物及び廃水油脂の管理に関するデータやファイルの送受信を行う。
端末装置４０は、食品廃棄物を調査・回収するサポート会社が操作し、食品廃棄物の排出元の食品廃棄物に関する情報及びバイオガスプラントの使用原料や運転状況を入力するスマートフォンやパーソナルコンピュータなどの端末であり、専用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４０は、所定プロトコルに基づいて、他の端末装置２０，３０や管理サーバ５０との間で、データやファイルの送受信を行う。また、例えばHttpのリクエスト形式で端末装置３０から新たに排出される食品廃棄物に関する情報や端末装置２０からバイオガスプラントの所望する情報を取得して、最適なメタン化資材のマッチングに基づき、食品廃棄物の排出元とバイオガスプラントとのマッチングを効率的に実行する。
管理サーバ５０は、食品廃棄物のバイオガス化を統括する統括本部が操作し、食品廃棄物の排出元及びバイオガスプラントにおける食品廃棄物のバイオガス化を管理する。具体的には、端末装置２０又は端末装置３０からバイオガスプラントの使用原料や運転状況、端末装置３０又は端末装置４０から排出される食品廃棄物に関する情報を取得して、メタン資源化を効率的に実行する。この際、主として図３に示す４つのプログラム４０１～４０４を実行することによって、初期マッチングサービス、資源化サービス、CO2削減管理サービスの提供を一元的に管理する。
（１）IoT現場調査プログラム
IoT現場調査プログラム４０１は、スマホアプリなどを介して端末装置３０又は端末装置４０から送信される食品廃棄物に関する入力データや現場写真に基づき、食品廃棄物排出元が抱えているメタン資材の種類・量・性状を把握する。また、バイオガスプラントの端末装置２０又は端末装置３０から送信されるガス生成量又は発電状況やリクエストに基づいて、メタンガスプラントが必要とするメタン資材の種類・量を把握する。すなわち、管理サーバ５０は、IoT現場調査プログラム４０１を用いることで、端末装置２０，３０，４０から現場調査やバイオガスプラントのガス生成量又は発電に関するデータを取得して、従来はバラバラに点在していた食品工場など食品廃棄物排出元における食品廃棄物のデータ及びバイオガスプラントのガス生成量又は発電状況を、一元的に管理して、メタンガス生成又はメタン発電の効率化・生産性の向上を図る。
IoT現場調査プログラム４０１は、スマホアプリなどを介して端末装置３０又は端末装置４０から送信される食品廃棄物に関する入力データや現場写真に基づき、食品廃棄物排出元が抱えているメタン資材の種類・量・性状を把握する。また、バイオガスプラントの端末装置２０又は端末装置３０から送信されるガス生成量又は発電状況やリクエストに基づいて、メタンガスプラントが必要とするメタン資材の種類・量を把握する。すなわち、管理サーバ５０は、IoT現場調査プログラム４０１を用いることで、端末装置２０，３０，４０から現場調査やバイオガスプラントのガス生成量又は発電に関するデータを取得して、従来はバラバラに点在していた食品工場など食品廃棄物排出元における食品廃棄物のデータ及びバイオガスプラントのガス生成量又は発電状況を、一元的に管理して、メタンガス生成又はメタン発電の効率化・生産性の向上を図る。
具体例として、食品廃棄物排出元はスマートフォンなどの携帯端末（端末装置３０）を活用し、あるいはバイオガスプラントはスマートフォンなどの携帯端末（端末装置２０）を活用し、さらにサポート会社はスマートフォンなどの携帯端末（端末装置４０）を活用し、出張不要及びデータをクラウドに即時アップロードする（ビックデータ化による情報活用も可能）。そして、管理サーバ５０は、IoT現場調査プログラム４０１に基づいて、食品廃棄物排出元、及びバイオガスプラントの状況を把握する。この結果、現場調査関連のデータ処理時間に従来３０分／１現場要していたものを、本プログラム使用後１分／１現場に短縮できる。
（２）AIメタン資源化プログラム
管理サーバ５０などは、AIメタン資源化プログラム４０２を用いて、これまでの研究データ及び新規の分析データ、実運用データ等を基に、個別資材ごとのメタン収率予測、及び既存原料ほか複数資材を混合した混合資材の場合のシナジー予測＆阻害診断を行う。ここで、メタン収率とは、原料たる食品廃棄物の分解ＶＳ（有機分）あたりのメタン生成量推測値である。また、シナジー予測とは、種類の異なるメタン資材を混合した場合のメタン収率の相乗的な効果を予測することである。
管理サーバ５０などは、AIメタン資源化プログラム４０２を用いて、これまでの研究データ及び新規の分析データ、実運用データ等を基に、個別資材ごとのメタン収率予測、及び既存原料ほか複数資材を混合した混合資材の場合のシナジー予測＆阻害診断を行う。ここで、メタン収率とは、原料たる食品廃棄物の分解ＶＳ（有機分）あたりのメタン生成量推測値である。また、シナジー予測とは、種類の異なるメタン資材を混合した場合のメタン収率の相乗的な効果を予測することである。
管理サーバ５０は、AIメタン資源化プログラム４０２を用いて、高精度の予測モデルを構築して、これら個別資材の高い精度のメタン収率推算式を適用する。また、新たな分析法、栄養素、油脂に起因する阻害、原料混合によるシナジーも含めた推算式を構築して適用する。このことで、総括本部の管理サーバ５０において、エネルギー変換設備やメタン発酵原料の評価を一元的に管理できる。
具体的には、個別資材判断においては、食品廃棄物（油脂廃棄物を含む）、残渣汚泥（精製汚泥を含む）、食品ロス、家畜排泄物などのメタン発酵原料ごとに、メタン収率ほかの基礎データ（実際のデータ）を学習用データベースに収納し、数理計算や実測値修正による機械学習を行うと共にビックデータ化を図る。このAIメタン資源化プログラム４０２の実現により、個別資材毎や混合資材のメタン資源化可能性を高い精度で推論可能となり、従来はメタン資源化の可能性の基本判定に１８０日／１原料要していたのが、AIメタン資源化プログラム４０２を用いた後には２秒／１原料で完了する。なお、AIメタン資源化プログラム４０２の詳細に関しては後述する。
（３）AIガス化促進プログラム
管理サーバ５０は、AIガス化促進プログラム４０３を用いて、予測された阻害要因の解決や低メタン収率資材活用のため、最適なガス化促進方法の判定、窒素・硫黄・油脂やリパーゼといったガス化促進剤の最適投入量及び効果を予測する。
管理サーバ５０は、AIガス化促進プログラム４０３を用いて、予測された阻害要因の解決や低メタン収率資材活用のため、最適なガス化促進方法の判定、窒素・硫黄・油脂やリパーゼといったガス化促進剤の最適投入量及び効果を予測する。
具体的には、AIガス化促進プログラム４０３を用いて、食品廃棄物の種類・量・性状に応じた最適なガス化促進方法を判定し、原料混合割合の算定や促進剤の最適投与計算（精製汚泥、グリセリン、ルーメン菌などの活用）を行い、混合割合ごとの試験データと、ガス化促進の候補剤ごとの基礎データ及び投与試験による追加データをAI学習用データベースに収納する。そして、数理計算や実測値修正による機械学習及びディープラーニングを行うと共にビックデータ化を図る。この結果、ガス化促進原料に対する最適なガス化促進方法の判定と原料混合割合の計算、ガス化促進剤ごとの最適投与量計算を高い精度で実現でき、従来１８０日要していたのが、AI開発後１０秒／原料にまで短縮可能である。
ここで、ガス化促進剤は、主として補助原料、栄養補助剤、及び促進剤がある。この内、補助原料は、他の原料の分解を促進するわけではない。単位重量当たりのメタン収率が高いので、他の原料と混合することで、投入した原料あたりのメタン収率が見かけ上大きくなる。一方で、単独の原料としてメタン発酵することが難しい原料である。補助原料の例としては、グリストラップ油脂精製汚泥、BDF残渣グリセリンである。食品廃棄物との混合設計をうまく行うことができればメタンガス化を促進できる。
栄養補助剤は、メタン生成菌の代謝にはNi、Co、Feが重要であるが、ほとんどの原料には十分に含有されていない。これを添加することで栄養素が充足され、発酵速度が上昇する。特に食品系ごみで有効である。例えば、NiCl2 6H2O、CoCl2 6H2O、FeCl2 4H2O等であり、既に栄養素溶液は商品化している。最適な添加量はケースバイケースで、現状では有効に利用できていない。
促進剤は、セルロースの分解には効果あるという報告は一部にある。稲わら、籾殻、デントコーンなどの資源作物のようにセルロースが豊富な農業残渣のメタン収率を増大させる可能性はある。食品系ごみのガスは増大させないであろう。また、酵素反応を数時間～1日程度行うための反応タンク設備を別途用意する必要がある。例えば、セルラーゼ酵素、ルーメン液である。
そして、ガス化促進剤のバイオガス化促進の実際として図４（ａ）の表４００に示すように、補助原料（ここでは精製汚泥）を添加した場合、栄養補助剤（ここではNi、Co、Fe）を添加した場合において、ガス収率を向上できたことが分かる。また、図４（ｂ）の表４０１に示すように、ガス化促進材を加えることで、バイオガス発生量が増加したことが分かる。AIガス化促進プログラム４０３では機械学習後に、食品廃棄物の種類・量・性状に応じて最適なガス化促進方法の判定、原料混合割合、ガス化促進剤の種類・最適投入量を自動決定する。
（４）CO2削減 IT演算プログラム
管理サーバ５０は、CO2削減 IT演算プログラム４０４を用いることで、メタンガス生成量及びCO2削減量を推算し、さらにバイオガスプラントにおける実際のバイオガスの活用結果に基づき、CO2削減量の算出及びカーボンクレジットへの変換可能量を算出する。ここでは、管理サーバ５０が、排出元からの「残渣汚泥（精製汚泥を含む）」及び「食品ロス」の回収量、これを原料としたメタンガス生成量、メタンガスによる発電量とCO2削減量、又はグリーン水素製造量とCO2削減量を一元管理する（クラウド）。なお、一連のIoT現場調査プログラム４０１～CO2削減 IT演算プログラム４０４までをメタン資源化予測システム４００と称して、スマートフォンのアプリケーションとしてGUI化することでより利便性を向上できる。
管理サーバ５０は、CO2削減 IT演算プログラム４０４を用いることで、メタンガス生成量及びCO2削減量を推算し、さらにバイオガスプラントにおける実際のバイオガスの活用結果に基づき、CO2削減量の算出及びカーボンクレジットへの変換可能量を算出する。ここでは、管理サーバ５０が、排出元からの「残渣汚泥（精製汚泥を含む）」及び「食品ロス」の回収量、これを原料としたメタンガス生成量、メタンガスによる発電量とCO2削減量、又はグリーン水素製造量とCO2削減量を一元管理する（クラウド）。なお、一連のIoT現場調査プログラム４０１～CO2削減 IT演算プログラム４０４までをメタン資源化予測システム４００と称して、スマートフォンのアプリケーションとしてGUI化することでより利便性を向上できる。
未活用となっている残渣汚泥＆食品ロスの資源化の第一歩は、バイオガス化である。未活用の残渣汚泥や食品ロスのバイオガス化において、最適なエネルギー変換設備の選定と高い利用率を具体化するためには、メタン発酵原料の高精度なメタン収率予測や阻害＆シナジー予測が必要である。従って、このメタン資源化診断予測システム４００では、AI＆IoTの先端技術を用いて、個別に存在する諸データを科学的且つ合理的に集約し、ディープラーニングすることで、AI予測精度を高めていくことができる。この結果、この領域の資源化デジタルトランスフォーメーションサービスとしてのメタン資源化診断予測システム４００は、食品廃棄物の排出元とバイオガスプラントに新たな価値を提供することになる。また、食品廃棄物の脱炭素に向けた最大資源化が具体化でき、国内外における2050年カーボンニュートラル実現に貢献する。
次に、本実施の形態に係るバイオガス資材の評価値演算装置において実行される「AIメタン資源化プログラム４０２」及び「AIガス化促進プログラム４０３」のより具体的な詳細に関して図５及び図６を参照して説明する。
AIメタン資源化プログラム４０２は、食品廃棄物の排出元（＝商業施設、レストラン、ホテル、食品工場など）とバイオガス（メタンガス）プラントの運営元を、前者より＜排出されるバイオガス資材（＝食品廃棄物）＞と＜プラントで実際に使用されているバイオガス資材（食品廃棄物/油脂/汚泥/家畜排泄物など）＞の混合発酵の相性に関する分析結果を通じて結びつけることで、より効率の良いバイオガス発電（或いはクリーン水素生成）の実現、ひいては食品系廃棄物のリサイクル率の向上を実現することを目的とする。
AIガス化促進プログラム４０３は、AIメタン資源化プログラムによる各バイオガス資材の混合発酵の相性に関する分析・評価データに基づき、適切なガス化促進剤、栄養補助剤、補助原料等の種類及びその添加量を予測・分析することで、在庫する１つ以上のバイオガス資材を混合発酵する際により良い発酵条件を整えることを目的とする。
次に、AIメタン資源化プログラム４０２及びAIガス化促進プログラム４０３の想定される機能に関して説明する。AIメタン資源化プログラム４０２は、図５に示す個別資材に関するメタン資源化評価AI４０２ａ、混合資材に関するメタン資源化評価AI４０２ｂの２つのAIから構成される。各AIの基本的な機能は次の通りである。
個別資材に関するメタン資源化評価AI４０２ａ： 各排出元から回収されたバイオガス資材及び各プラントにて現状使用されている資材に関して、資材ごとの成分性質、メタン収率（メタンガスの発生量）、エネルギー収率などの資材ごとのバイオガス資材としての価値の分析を行う。
混合資材に関するメタン資源化評価AI４０２ｂ： 各排出元から回収されたバイオガス資材と各プラントで使用されている資材について、最も効率の良いメタン収率、エネルギー収率となるような混合発酵の組み合わせの予測・分析を行う。
また、AIガス化促進プログラム４０３は、図５に示すメタン収率促進予測AI４０３ａから構成され、次の基本的機能を担う。
メタン収率促進予測AI４０３ａ： 上記２つのAI４０２ａ，４０２ｂにより予測・分析される各資材（及びその組み合わせ）のバイオガス資材としての価値を測るための分析項目の数値指標に関して、過不足のある項目を正常値範囲内に調整するようなガス化促進剤（補助原料（油脂精製汚泥、BDF残渣グリセリン）、促進剤（セルラーゼ酵素、ルーメン液、バイオ炭）、栄養補助剤（NiCl2 6H2O、CoCl2 6H2O、FeCl2 4H2O）など）の種類及びその添加量を予測・分析する。
メタン収率促進予測AI４０３ａ： 上記２つのAI４０２ａ，４０２ｂにより予測・分析される各資材（及びその組み合わせ）のバイオガス資材としての価値を測るための分析項目の数値指標に関して、過不足のある項目を正常値範囲内に調整するようなガス化促進剤（補助原料（油脂精製汚泥、BDF残渣グリセリン）、促進剤（セルラーゼ酵素、ルーメン液、バイオ炭）、栄養補助剤（NiCl2 6H2O、CoCl2 6H2O、FeCl2 4H2O）など）の種類及びその添加量を予測・分析する。
これら３つのAI４０２ａ，４０２ｂ，４０３ａはいずれも上述の「メタン資源化マッチングシステムS」を構成する各装置に搭載可能であり、資源化に関する専門的なデータが、排出元及びプラント運営者が分かりやすく、且つ使いやすい情報の順番、優先度、表示形式（メタン収率・エネルギー収率・CO2排出削減量・資材費順、グラフ表示など）で提示される（例えば図６参照）。これにより、これまで食品廃棄物をメタン原料として受け入れる際に障害となってきた資材の事前診断と資材導入時の安定したプラント運転のための成分指標データの不在を解消し、食品廃棄物のバイオガス資源化の促進を図ることが可能となる。
（２－１）個別資材に関するメタン資源化評価AI４０２ａの詳細
個別資材に関するメタン資源化評価AI４０２ａは、上述のようにAIメタン資源化プログラム４０２を構成するAIのひとつである。
食品廃棄物の排出元（＝商業施設、レストラン、ホテル、食品工場など）から回収されたバイオガス資材（＝食品廃棄物）及び、各バイオガスプラントにおいて現状使用されているバイオガス資材（食品廃棄物/油脂/汚泥/家畜排泄物など）に関して、資材ごとのメタン資材としての価値を、図７に示すような成分指標マスタデータに照らして、予測・分析する。この予測・分析の結果は、メタン資源化マッチングシステムにおいて、各資材の排出元及びバイオガスプラント運用者に提示されるのみならず、後述する「（２－２）混合資材に関するメタン資源化評価AI」及び「（３－１）メタン収率促進予測AI」にインポートされ、各バイオガス資材の混合発酵に関する相性分析、並びにシナジー性（或いは阻害性）の予測・分析のための参照データのひとつとなる。
個別資材に関するメタン資源化評価AI４０２ａは、上述のようにAIメタン資源化プログラム４０２を構成するAIのひとつである。
食品廃棄物の排出元（＝商業施設、レストラン、ホテル、食品工場など）から回収されたバイオガス資材（＝食品廃棄物）及び、各バイオガスプラントにおいて現状使用されているバイオガス資材（食品廃棄物/油脂/汚泥/家畜排泄物など）に関して、資材ごとのメタン資材としての価値を、図７に示すような成分指標マスタデータに照らして、予測・分析する。この予測・分析の結果は、メタン資源化マッチングシステムにおいて、各資材の排出元及びバイオガスプラント運用者に提示されるのみならず、後述する「（２－２）混合資材に関するメタン資源化評価AI」及び「（３－１）メタン収率促進予測AI」にインポートされ、各バイオガス資材の混合発酵に関する相性分析、並びにシナジー性（或いは阻害性）の予測・分析のための参照データのひとつとなる。
個別資材に関するメタン資源化評価AI４０２ａにおいて想定される機能（フロー）を、図７を参照しながら説明する。
（Ａ）各排出元から回収されたバイオガス資材（食品廃棄物）及びバイオガスプラントにて現状使用されているバイオガス資材（食品廃棄物/油脂/汚泥/家畜排泄物など）に関するデータ、バイオガスプラントの運用状況に関するデータのAIメタン資源化プログラム４０２への登録・承認をする。
（Ａ）各排出元から回収されたバイオガス資材（食品廃棄物）及びバイオガスプラントにて現状使用されているバイオガス資材（食品廃棄物/油脂/汚泥/家畜排泄物など）に関するデータ、バイオガスプラントの運用状況に関するデータのAIメタン資源化プログラム４０２への登録・承認をする。
回収された食品廃棄物及び現状プラントにおいて使用されているバイオガス資材に関するデータの具体例としては、各バイオガス資材の「回収場所」、「種類」、「性状（液体、固体、気体、加工の有無など）」、「分量」などのバイオガス資材の特性、及び在庫に関するデータなどが挙げられる。これらのデータは、例えばブロックチェーンなどにより、リアルタイム在庫管理される。
また、バイオガスプラントの運用状況に関するデータとしては、例えば、各プラントで使用されているバイオガス資材の種類をはじめ、凝集剤などの添加物の有無とその分量、原料貯蔵槽の温度、メタン発酵槽の必要加温熱量/発酵槽加温/熱損率、メタン発酵槽1m3における有機物最大負荷、余剰熱量、温水回収熱量及び回収効率、メタン発酵槽における有機物分解率、ガスホルダにおけるメタンガス発生量、実測メタン収率（BMP）、（ガス発電の場合）発電電力量、発電効率、熱量換算値、施設内消費電力及び（発電量に対する）消費割合、などのデータが含まれる。これらのデータに関しても、在庫する各資材に関するデータと同様に、ブロックチェーンなどにより、リアルタイム在庫管理される。
（Ｂ）AIメタン資源化プログラム４０２に登録・承認された各バイオガス資材に関するデータに基づき、個別資材に関するメタン資源化評価AI４０２ａにより、資材ごとにメタン資材としての価値を、成分指標マスタデータに照らして、予測・分析する。
ここでの、各資材のメタン資材としての価値を予測・分析する際の検証項目としては、例えば、以下の項目を想定している。
各メタン資材の前処理の必要性の有無、各メタン資材の有機物の組成式、発酵温度、発酵日数、各メタン資材の有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など各メタン資材の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS）予測値、生分解率、VS分解率、エネルギー収率など。
各メタン資材の前処理の必要性の有無、各メタン資材の有機物の組成式、発酵温度、発酵日数、各メタン資材の有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など各メタン資材の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS）予測値、生分解率、VS分解率、エネルギー収率など。
尚、理論的メタン収率の推算には、従来より知られている組成式ベース（元素収支）、化学的酸素要求量（COD）ベース（CODCr、CODMnを含む）、(繊維を含めた)栄養素ベースなど複数の計算方法を適用する。予測・分析値には、実際のバイオガスプラントの運用状況に関するデータも反映することで、より精度の高いものとする。
例えば、組成式ベース（元素収支）を用いた理論的メタン収率の推算を説明すると、バイオマスのメタン発酵によるメタンへの変換は、以下のような［数１］で表すことができる。
［数１］
［数１］
ここで、CaHbOcNdは原料の有機分の組成式で、実務上有機分は一般的な指標である強熱減量（VS）と等価であると見なされる。強熱減量は、発酵原料の蒸発残留物を600℃程度の温度で加熱した際に揮散される物質を指す。下付きのa～dには原料に固有の数値が入る。組成式が未知の原料は、CHNコーダー法などを使って実験的に決定した式(実験式)を使用する必要がある。例えば生ごみはC17H29O10NあるいはC13H21O7N、紙ごみはC266H434O210N、し尿汚泥はC7H12O4N、乳牛排泄物はC22H31O11N、下水汚泥はC10H19O3Nなどの実験式がこれまでに報告されている。このような組成式を用いて、理論的メタン収率（Theoretical Biochemical Methane Potential, ThBMP）は、次の［数２］のように算出される。
［数２］
［数２］
ここで、fDは補正係数で、分解可能な有機物の割合、すなわち発酵による分解率となる。この分解率も、未知である場合には実験的に特定する必要がある。例えば、生ごみ・食品残渣は0.75～0.85、豚排泄物は0.45～0.55、乳牛排泄物は0.25～0.35、新聞紙は0.34、草本は0.55、剪定枝は0.25、下水汚泥は0.50などが報告されている。この計算結果ThBMPは、原料のVS1 gあたりから発生するメタンガスのmlを示している。この予測法を用いる際には原料のVSと、組成式が未知の場合には原料の元素組成(CHON)の分析が必要である。fDに係る分解率はさまざまな論文等で原料ごとに明らかにされているが、未知の場合には原料とメタン発酵菌を用いた培養実験を行うことでVSの分解率を測定する必要がある。
また、栄養素ベースを用いた理論的メタン収率の推算を説明すると、炭水化物、タンパク質、脂質は食品の三大栄養素として周知されている。これらの栄養素はメタン発酵でメタンへと変換可能である。それぞれの平均的な組成式であるC6H10O5(炭水化物)、C5H7O2N(タンパク質)、C57H104O6(脂質)に基づいて上記［数２］のThBMP算出式から計算されたメタン収率(それぞれ415、496、1014 ml/g VS)と、VSを1としてVS中に占めるそれぞれの栄養素の重量比を用いて、理論的メタン収率は次の［数３］で算出できる。
［数３］
この予測法を用いる場合には原料のVSと三大栄養素（炭水化物、タンパク質、脂質）の重量比を知る必要がある。三大栄養素については、単一の食品が原料であれば食品標準成分表から数値を得ることが可能だが、そうでなければ分析によって炭水化物、タンパク質、脂質の比率を明らかにする必要がある。fDは組織式を利用した予測法と同様で論文等の文献値か培養実験で特定する。
［数３］
この予測法を用いる場合には原料のVSと三大栄養素（炭水化物、タンパク質、脂質）の重量比を知る必要がある。三大栄養素については、単一の食品が原料であれば食品標準成分表から数値を得ることが可能だが、そうでなければ分析によって炭水化物、タンパク質、脂質の比率を明らかにする必要がある。fDは組織式を利用した予測法と同様で論文等の文献値か培養実験で特定する。
また、予測・分析のために「個別資材に関するメタン資源化評価AI４０２ａ」が学習・参照する成分指標マスタデータには、サンプルとなる各種メタン資材（食品廃棄物/油脂/汚泥/家畜排泄物/動物・草木系残渣/混合有機ごみなど）を対象とした、次の各項目の分析結果を採用する。
各メタン資材の前処理の必要性の有無、各メタン資材の有機物の組成式、発酵温度、発酵日数、各メタン資材の有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など各メタン資材の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS ）、生分解率、VS分解率、エネルギー収率など。
各メタン資材の前処理の必要性の有無、各メタン資材の有機物の組成式、発酵温度、発酵日数、各メタン資材の有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など各メタン資材の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS ）、生分解率、VS分解率、エネルギー収率など。
これらの各項目の分析結果に加えて、各バイオガスプラントにおける実際の運用状況に関するデータも、使用されているメタン資材別にサンプリングし、個別資材に関するメタン資源化評価AI４０２ａの学習データとする。
（Ｃ）次に、個別資材に関するメタン資源化評価AI４０２ａにより実施された予測・分析結果（データ）を、メタン資源化マッチングシステムにおいて、各資材の排出元及びバイオガスプラント運用者に提示する。同時に、これら予測・分析データは、後工程の「混合資材に関するメタン資源化評価AI４０２ｂ」及び「AIガス化促進プログラム４０３」にインポートされ、各バイオガス資材の混合発酵に関する相性分析、並びにシナジー性（あるいは阻害性）の予測・分析のための参照データのひとつとなる。
（２－２）混合資材に関するメタン資源化評価AI４０２ｂの詳細
混合資材に関するメタン資源化評価AI４０２ｂは、「AIメタン資源化プログラム４０２」を構成するAIのひとつである。前述の「個別資材に関するメタン資源化評価AI４０２ａ」により出力された各排出元（＝商業施設、レストラン、ホテル、食品工場など）から回収されたバイオガス資材（＝食品廃棄物）及びバイオガスプラントにて現状使用されているバイオガス資材（食品廃棄物/油脂/汚泥/家畜排泄物など）を対象としたメタン資源化に関する評価予測・分析データに基づき、図８に示す混合指標マスタデータに照らして、在庫する１つ以上のバイオガス資材を混合発酵した場合の相性分析・評価を行う。
混合資材に関するメタン資源化評価AI４０２ｂは、「AIメタン資源化プログラム４０２」を構成するAIのひとつである。前述の「個別資材に関するメタン資源化評価AI４０２ａ」により出力された各排出元（＝商業施設、レストラン、ホテル、食品工場など）から回収されたバイオガス資材（＝食品廃棄物）及びバイオガスプラントにて現状使用されているバイオガス資材（食品廃棄物/油脂/汚泥/家畜排泄物など）を対象としたメタン資源化に関する評価予測・分析データに基づき、図８に示す混合指標マスタデータに照らして、在庫する１つ以上のバイオガス資材を混合発酵した場合の相性分析・評価を行う。
またこれと同時に、「混合資材に関するメタン資源化評価AI４０２ｂ」は、各バイオガスプラントの運用状況に関するデータも併せて参照することで、各バイオガスプラントにとって、最良の混合発酵の相性となるバイオガス資材、ひいては、最良の混合発酵用バイオガス資材を提供し得る排出元を、リアルタイムで分析、特定する。なお、各バイオバス資材に関するデータとその回収元である排出元、バイオガスプラントとそこで現状使用されているバイオガス資材に関するデータは、常に結びついている。
次に、混合資材に関するメタン資源化評価AI４０２ｂにおいて想定される機能（フロー）を、図８を参照しながら説明する。
（Ｄ）個別資材に関するメタン資源化評価AI４０２ａにより出力された各排出元から回収されたバイオガス資材（＝食品廃棄物）及びバイオガスプラントにて現状使用されているバイオガス資材（食品廃棄物/油脂/汚泥/家畜排泄物など）を対象としたメタン資源化に関する評価予測・分析データが、システム連携により、混合資材に関するメタン資源化評価AI４０２ｂにインポートされる。
（Ｄ）個別資材に関するメタン資源化評価AI４０２ａにより出力された各排出元から回収されたバイオガス資材（＝食品廃棄物）及びバイオガスプラントにて現状使用されているバイオガス資材（食品廃棄物/油脂/汚泥/家畜排泄物など）を対象としたメタン資源化に関する評価予測・分析データが、システム連携により、混合資材に関するメタン資源化評価AI４０２ｂにインポートされる。
（Ｅ） 次に、インポートされた個別資材に関するメタン資源化評価AI４０２ａによる各バイオガス資材の予測・分析結果に基づき、混合資材に関するメタン資源化評価AI４０２ｂは、各バイオガス資材を混合発酵した際のメタン発酵の相性を、混合指標マスタデータに照らして、予測・分析する。
在庫する各バイオガス資材を混合発酵した際の相性に関する予測・分析項目としては、例えば、以下の項目を想定している。
各バイオガス資材を混合発酵する場合の、原料の前処理の必要性の有無、メタン資材ごとの有機物の組成式、発酵温度、発酵日数、有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など資材混合時の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS）予測値、生分解率、VS分解率、エネルギー収率など。
各バイオガス資材を混合発酵する場合の、原料の前処理の必要性の有無、メタン資材ごとの有機物の組成式、発酵温度、発酵日数、有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など資材混合時の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS）予測値、生分解率、VS分解率、エネルギー収率など。
尚、理論的メタン収率の算出には、組成式ベース（元素収支）、化学的酸素要求量（COD）ベース（CODCr、CODMnを含む）、(繊維を含めた)栄養素ベースなど複数の計算方法を適用する。また、予測・分析値には、実際のバイオガスプラントの運用状況に関するデータも反映することで、より精度の高いものとする。
予測・分析のために「混合資材に関するメタン資源化評価AI４０２ｂ」が学習・参照する混合指標マスタデータには、サンプルとなる各種メタン資材（食品廃棄物/油脂/汚泥/家畜排泄物/動物・草木系残渣/混合有機ごみなど）を対象とした「各メタン資材の前処理の必要性の有無、メタン資材ごとの有機物の組成式、発酵温度、発酵日数、各メタン資材の有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など各メタン資材の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS ）、生分解率、VS分解率、エネルギー収率等など」の各項目の分析結果を採用する。さらに、各バイオガスプラントにおける実際の運用状況に関するデータも、使用されているメタン資材別にサンプリングし、AIの学習データとする。
本実施の形態に係る評価値演算装置においては、在庫する各バイオガス資材を混合発酵した際の相性を判断するための指標（及び論理）を用いており、例えば、以下の項目（及び順序a～g）を想定している。
(a) C/N比: 原料の炭素濃度と窒素濃度の比率が、25以上(25未満であれば阻害のリスク有り)であるか否か
(b) 脂質/VS比: 原料の脂質濃度とVS濃度の比率が、35以下(35以上であれば阻害のリスク有り)であるか否か
(c) 脂質/炭水化物比：原料の脂質濃度と炭水化物濃度の比率が、13以上であるか否か
(d) タンパク質/炭水化物比：原料のタンパク質濃度と炭水化物濃度の比率が、26以上であるか否か
(e) 微量栄養素：例えば、原料中の鉄が165 (mg/kg-COD原料)以上、コバルトが14 (mg/g-COD原料)以上、ニッケルが5 (mg/g-COD原料)以上であるか否か
(f) Na濃度：原料のナトリウム濃度が、5.6 g/L 未満であるか否か
(g) 上記a～f（※判別の順序は順不同、但しa, b, e, f は必須条件）の条件を満たした上で、混合発酵時のメタン収率（＝原料のVS1gあたりからのメタン生成量(単位：mL/g-VS）)が、大きいほどより良い混合発酵の相性と判断される。尚、メタン収率が、100mL/g-VS未満である場合には、経済的な観点から、バイオガス資材同士の単純な混合発酵処理には不向きな組み合わせと判断される。
(a) C/N比: 原料の炭素濃度と窒素濃度の比率が、25以上(25未満であれば阻害のリスク有り)であるか否か
(b) 脂質/VS比: 原料の脂質濃度とVS濃度の比率が、35以下(35以上であれば阻害のリスク有り)であるか否か
(c) 脂質/炭水化物比：原料の脂質濃度と炭水化物濃度の比率が、13以上であるか否か
(d) タンパク質/炭水化物比：原料のタンパク質濃度と炭水化物濃度の比率が、26以上であるか否か
(e) 微量栄養素：例えば、原料中の鉄が165 (mg/kg-COD原料)以上、コバルトが14 (mg/g-COD原料)以上、ニッケルが5 (mg/g-COD原料)以上であるか否か
(f) Na濃度：原料のナトリウム濃度が、5.6 g/L 未満であるか否か
(g) 上記a～f（※判別の順序は順不同、但しa, b, e, f は必須条件）の条件を満たした上で、混合発酵時のメタン収率（＝原料のVS1gあたりからのメタン生成量(単位：mL/g-VS）)が、大きいほどより良い混合発酵の相性と判断される。尚、メタン収率が、100mL/g-VS未満である場合には、経済的な観点から、バイオガス資材同士の単純な混合発酵処理には不向きな組み合わせと判断される。
（Ｆ）次に、混合資材に関するメタン資源化評価AI４０２ｂにより実施された予測・分析の結果（データ）を、メタン資源化マッチングシステムSにおいて、各資材の排出元及びバイオガスプラント運用者に提示する。同時に、これら予測・分析結果（データ）は、後工程の「AIガス化促進プログラム４０３」にインポートされ、各バイオガス資材の混合発酵時のシナジー性（及び阻害性）に関する予測・分析のための参照データのひとつとなる。
（３）AIガス化促進プログラムの詳細
AIガス化促進プログラム４０３は、メタン収率促進予測AI４０３ａからなるプログラムであり、前述のAIメタン資源化プログラム４０２と併せて、メタン資源化マッチングシステムSを構成する。
AIガス化促進プログラム４０３は、メタン収率促進予測AI４０３ａからなるプログラムであり、前述のAIメタン資源化プログラム４０２と併せて、メタン資源化マッチングシステムSを構成する。
メタン収率促進予測AI４０３ａは、前述の「個別資材に関するメタン資源化評価AI４０２ａ」により出力された各排出元（＝商業施設、レストラン、ホテル、食品工場など）から回収されたバイオガス資材（＝食品廃棄物）及びバイオガスプラントにて現状使用されているバイオガス資材（食品廃棄物/油脂/汚泥/家畜排泄物など）を対象としたメタン資源化に関する評価予測・分析データ、「混合資材に関するメタン資源化評価AI４０２ｂ」により出力された在庫するバイオガス資材の混合発酵の相性に関する分析・評価データに基づき、これらを図９に示すバイオガス化促進指標マスターデータに照らして、在庫する１つ以上のバイオガス資材を混合発酵する際により良い発酵条件を整えるのに必要となる適切な「ガス化促進剤」「栄養補助剤」「補助原料」の種類及び添加量を予測・分析する。
前述の混合発酵の相性を判断するための指標に掲げられたaからgの条件をはじめ、メタンガス生成にとって好ましいとされる各分析項目の数値指標のうち、過不足のある項目について、正常値範囲内に調整するようなガス化促進剤等の種類及び添加量を予測・分析する。
例えば、ガス化促進剤等の添加を必要としていない（＝バイオガスガス生成のための全ての数値指標を満たしている）資材の組み合わせについても、資材の混合に伴うシナジー性の有無を、図９に示すようなバイオガス化促進指標マスターデータに照らして、予測・分析する。「混合資材に関するメタン資源化評価AI４０２ｂ」の予測・分析結果により、混合発酵後のメタン収率が100mL/g-VS未満であると推計された資材の組み合わせについても、 「ガス化促進剤」「栄養補助剤」「補助原料」などの添加により、メタンガス生成に好ましい条件を満たす可能性もある。
次に、メタン収率促進予測AI４０３ａにおいて想定される機能（フロー）を、図９に示すフローを参照しながら説明する。
（Ｇ）最初に、「個別資材に関するメタン資源化評価AI４０２ａ」及び「混合資材に関するメタン資源化評価AI４０２ｂ 」による評価予測・分析データが、システム連携により、 AIガス化促進プログラム４０３（メタン収率促進予測AI４０３ａ）にインポートされる。
（Ｈ）次に、インポートされた「個別資材に関するメタン資源化評価AI４０２ａ」及び「混合資材に関するメタン資源化評価AI４０２ｂ」による予測・分析データに基づき、「メタン収率促進予測AI４０３ａ」は、各バイオガス資材を個別発酵する際により良い発酵条件を整えるのに必要な「ガス化促進剤」「栄養補助剤」「補助原料」の種類及びその添加量を、バイオガス化促進指標マスターデータに照らして、予測・分析する。また、「混合資材に関するメタン資源化評価AI４０２ｂ」よりインポートされた在庫する１つ以上のバイオガス資材を混合発酵するための各組み合わせについて、より良い発酵条件を整えるのに必要な「ガス化促進剤」「栄養補助剤」「補助原料」の種類及びその添加量を、バイオガス化促進指標マスターデータに照らして、予測・分析する。
ここで「ガス化促進剤」「栄養補助剤」「補助原料」の種類としては、例えば、次のものを想定している。
・ガス化促進剤：セルラーゼ酵素、ルーメン液、バイオ炭など
・栄養補助剤：NiCl2 6H2O、CoCl2 6H2O、FeCl2 4H2Oなど
・補助原料：油脂精製汚泥、BDF残渣グリセリンなど
・ガス化促進剤：セルラーゼ酵素、ルーメン液、バイオ炭など
・栄養補助剤：NiCl2 6H2O、CoCl2 6H2O、FeCl2 4H2Oなど
・補助原料：油脂精製汚泥、BDF残渣グリセリンなど
メタン収率促進予測AI４０３ａは、例えば、各バイオガス資材を個別発酵（及び混合発酵）する際に、下記の各分析項目の数値が、より良い発酵条件と判断されるに足る数値範囲に収まるために必要となる「ガス化促進剤」「栄養補助剤」「補助原料」の種類及びその添加量を予測・分析する。
原料の前処理の必要性の有無、メタン資材ごとの有機物の組成式、発酵温度、発酵日数、有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など資材混合時の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS）予測値、生分解率、VS分解率、エネルギー収率など。
原料の前処理の必要性の有無、メタン資材ごとの有機物の組成式、発酵温度、発酵日数、有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など資材混合時の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS）予測値、生分解率、VS分解率、エネルギー収率など。
各分析項目の数値指標としては、例えば、以下の項目がある。
a) C/N比: 原料の炭素濃度と窒素濃度の比率が、25以上(25未満であれば阻害のリスク有り)であるか否か
b) 脂質/VS比: 原料の脂質濃度とVS濃度の比率が、35以下(35以上であれば阻害のリスク有り)であるか否か
c) 脂質/炭水化物比：原料の脂質濃度と炭水化物濃度の比率が、13以上であるか否か
d) タンパク質/炭水化物比：原料のタンパク質濃度と炭水化物濃度の比率が、26以上であるか否か
e) 微量栄養素：例えば、原料中の鉄が165 (mg/kg-COD原料)以上、コバルトが14 (mg/g-COD原料)以上、ニッケルが5 (mg/g-COD原料)以上であるか否か
f) Na濃度：原料のナトリウム濃度が、5.6 g/L 未満であるか否か
g) 上記ａ～ｆの条件を満たした上で、個別発酵（或いは混合発酵）時のメタン収率（＝原料のVS1gあたりからのメタン生成量(単位：mL/g-VS）)が、100mL/g-VS以上であるか否か
a) C/N比: 原料の炭素濃度と窒素濃度の比率が、25以上(25未満であれば阻害のリスク有り)であるか否か
b) 脂質/VS比: 原料の脂質濃度とVS濃度の比率が、35以下(35以上であれば阻害のリスク有り)であるか否か
c) 脂質/炭水化物比：原料の脂質濃度と炭水化物濃度の比率が、13以上であるか否か
d) タンパク質/炭水化物比：原料のタンパク質濃度と炭水化物濃度の比率が、26以上であるか否か
e) 微量栄養素：例えば、原料中の鉄が165 (mg/kg-COD原料)以上、コバルトが14 (mg/g-COD原料)以上、ニッケルが5 (mg/g-COD原料)以上であるか否か
f) Na濃度：原料のナトリウム濃度が、5.6 g/L 未満であるか否か
g) 上記ａ～ｆの条件を満たした上で、個別発酵（或いは混合発酵）時のメタン収率（＝原料のVS1gあたりからのメタン生成量(単位：mL/g-VS）)が、100mL/g-VS以上であるか否か
さらに、シナジー性を判断するための分析項目及び数値指標としては、例えば、以下のものがある。
a） C/N比（＝原料の炭素濃度と窒素濃度の比率）が、25以上27以下である
b） タンパク質/炭水化物比（＝原料のタンパク質濃度と炭水化物濃度の比率）が、26以上である
c） 脂質/VS比（＝原料の脂質濃度とVS濃度の比率）が35以下、且つ脂質/炭水化物比（＝原料の脂質濃度と炭水化物濃度の比率）が、13以上であるか。
a） C/N比（＝原料の炭素濃度と窒素濃度の比率）が、25以上27以下である
b） タンパク質/炭水化物比（＝原料のタンパク質濃度と炭水化物濃度の比率）が、26以上である
c） 脂質/VS比（＝原料の脂質濃度とVS濃度の比率）が35以下、且つ脂質/炭水化物比（＝原料の脂質濃度と炭水化物濃度の比率）が、13以上であるか。
個別資材（個別資材に関するメタン資源化評価AI４０２ａからのデータ）に関しては、当該する個別資材と 「ガス化促進剤」などとの混合によるシナジー性を予測・分析する。混合資材（混合資材に関するメタン資源化評価AI４０２ｂからのデータ）に関しては、 「ガス化促進剤」などの添加の有無にかかわらず、資材同士の単純な混合によるシナジー性についても予測・分析する。
（Ｉ）最後に、メタン収率促進予測AI４０３ａにより実施された予測・分析の結果（データ）を、 メタン資源化マッチングシステムSにおいては、各バイオガス資材の排出元及びバイオガスプラント運用者に提示する。
＜バイオガス資材の評価値演算装置の具体的構成＞
次に、本実施の形態に係るバイオガス資材の評価値演算装置１に備わる各処理部に関して図１０を参照しながら説明する。評価値演算装置１は、バイオガス資材の学習用ライブラリデータに基づいて機械学習モデルにおける設定値を学習する学習装置、及び機械学習モデルを用いて対象バイオガス資材（個別資材、混合資材）を利用したメタン発酵・メタンガス化（資源化）に関する評価値の推算を実行する推算装置の少なくとも一方としての機能を発揮する。
次に、本実施の形態に係るバイオガス資材の評価値演算装置１に備わる各処理部に関して図１０を参照しながら説明する。評価値演算装置１は、バイオガス資材の学習用ライブラリデータに基づいて機械学習モデルにおける設定値を学習する学習装置、及び機械学習モデルを用いて対象バイオガス資材（個別資材、混合資材）を利用したメタン発酵・メタンガス化（資源化）に関する評価値の推算を実行する推算装置の少なくとも一方としての機能を発揮する。
最初に、メタン資源化処理装置１に備わる各処理部に関して図１０を参照しながら説明する。メタン資源化処理装置１は、図１０に示すように、制御部１０、評価値演算部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、評価値演算装置１における動作について以下では、１台のサーバコンピュータとして説明するが、複数のコンピュータによって処理を分散するようにして構成されてもよいし、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。
評価値演算部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対象バイオガス資材の資源化に関する評価値の推算を実行する。なお、制御部１０及び評価値演算部１１は、ＣＰＵ等のプロセッサ、メモリ、さらには記憶部１２及び通信部１３を集積した１つのハードウェア（ＳｏＣ：System on a Chip）として構成されていてもよい。
記憶部１２は、ハードディスクやフラッシュメモリを用いる。記憶部１２には、評価値演算プログラム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。なお、評価値演算プログラム１Ｐに記憶されるプログラムは、具体的には上述したAIメタン資源化プログラム４０２及びAIガス化促進プログラム４０３である。
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って、後述するバイオガス資材関連情報（機械学習ライブラリ、バイオガス資材の資源化に関する評価値など）を他の端末装置に送信可能である。通信部１３は、ネットワークカード、無線通信デバイス又はキャリア通信用モジュールを用いる。
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。このユーザによる操作情報は、例えば、バイオガス資材（個別資材、混合資材）の種類、回収場所、性状、分量などの特性データやバイオガスプラントの運用状況データである。
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。記憶部１２に記憶してある評価値演算プログラム１Ｐ及び機械学習ライブラリ１Ｌは、記録媒体２から読取部１６が読み取った評価値演算プログラム２Ｐ及び機械学習ライブラリ３Ｌを制御部１０が記憶部１２に複製したものであってもよい。
次に、評価値演算装置１の機能に関して図１１を参照しながら説明する。評価値演算装置１の制御部１０はAI(Artificial Intelligence)を活用した学習処理実行部１０１及び評価値演算実行部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、学習用教師データに基づいて、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）を自動学習する処理を実行する。
この学習の際には、機械学習ライブラリを用いて、各種のバイオガス資材の前処理の必要性の有無、各メタン資材の有機物の組成式、発酵温度、発酵日数、各メタン資材の有機物濃度(VS:Volatile Solids の略)、固形物量(TS: Total Solids)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など各メタン資材の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS）予測値、生分解率、VS分解率、エネルギー収率などが付与される。
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。
評価値演算実行部１０２は、記憶部１２に記憶してある評価値演算プログラム１Ｐに基づき、評価値の推算を行う。すなわち、評価値演算実行部１０２は、機械学習モデルを用いて、入力されるバイオガス資材（個別資材、混合資材）に対する評価値の推算を実行する。また、評価値演算実行部１０２は、ユーザの操作部１５を用いた操作に基づき、入力データであるバイオガス資材関連データ（ここではすなわち機械学習用ライブラリ、バイオマス資材の種類、回収場所、性状、分量などを含む特性データやバイオガスプラントの運用状況データ）を入力部１１１に入力する機能を発揮する。
なお、このバイオガスプラントの運用状況データは、上述のように、プラントで使用されているバイオガス資材の種類、発酵方式、凝集剤などの添加物の有無とその分量、メタン発酵槽1m3におけるVS容積負荷、メタン発酵槽における有機物分解率、ガスホルダにおけるメタンガス発生量や実測メタン収率（BMP）などの情報である。
評価値演算部１１の入力部１１１はバイオガス資材に関する機械学習ライブラリ又はバイオガス資材関連データの入力を受け付ける。学習処理実行部１０１は、機械学習ライブラリを機械学習モデル１１２に出力する。また、評価値演算実行部１０２は、評価値の推算対象となるバイオガス資材の特性データやバイオガスプラントの運用状況データを機械学習モデル１１２に出力する。これら機械学習ライブラリ又は評価値の推算対象となるバイオガス資材の特性データやバイオガスプラントの運用状況データなどを含むバイオガス資材関連データの種類は、例えばヘッダ部の情報や識別子を読み込むことにより判定できる。
機械学習モデル１１２の開発プログラムとしては、例えば、各種データファイルの読み込み、ディープラーニング、データ解析、モデル式の構築、プログラム化などを行う際に広く汎用されているPythonやMATLAB(登録商標）を想定する。また、機械学習モデル１１２は、推論時に入力の特徴を抽出する畳み込み層及びプーリング層を複数回使用した畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）となる場合には、定義データにより定義される複数段の畳み込み層及びプーリング層と、全結合層とを含んでもよく、入力データの特徴量を取り出し、取り出された特徴量に基づいて推算処理を行っても良い。
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、バイオガス資材の資源化に関する評価値の推算を行う。具体的にはバイオガス資材（個別資材、混合資材）の種類、回収場所、性状、分量などの特性データやバイオガスプラントの運用状況データに基づいて、「前処理の必要性の有無、各メタン資材の有機物の組成式、発酵温度、発酵日数、各メタン資材の有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など各メタン資材の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS）予測値、生分解率、VS分解率、エネルギー収率など」の評価値の推算を行う。
そして、特に、混合資材の評価値を推算する場合には、以下の項目を評価する。
(a) C/N比: 原料の炭素濃度と窒素濃度の比率が、25以上(25未満であれば阻害のリスク有り)であるか否か
(b) 脂質/VS比: 原料の脂質濃度とVS濃度の比率が、35以下(35以上であれば阻害のリスク有り)であるか否か
(c) 脂質/炭水化物比：原料の脂質濃度と炭水化物濃度の比率が、13以上であるか否か
(d) タンパク質/炭水化物比：原料のタンパク質濃度と炭水化物濃度の比率が、26以上であるか否か
(e) 微量栄養素：例えば、原料中の鉄が165 (mg/kg-COD原料)以上、コバルトが14 (mg/g-COD原料)以上、ニッケルが5 (mg/g-COD原料)以上であるか否か
(f) Na濃度：原料のナトリウム濃度が、5.6 g/L 未満であるか否か
(g) 上記ａ～ｆ（※判別の順序は順不同、但しa, b, e, f は必須条件）の条件を満たした上で、混合発酵時のメタン収率（＝原料のVS1gあたりからのメタン生成量(単位：mL/g-VS）)が、大きいほどより良い混合発酵の相性と判断される。尚、メタン収率が、100mL/g-VS未満である場合には、経済的な観点から、資材同士の単純な混合発酵処理には不向きな組み合わせと判断される。
(a) C/N比: 原料の炭素濃度と窒素濃度の比率が、25以上(25未満であれば阻害のリスク有り)であるか否か
(b) 脂質/VS比: 原料の脂質濃度とVS濃度の比率が、35以下(35以上であれば阻害のリスク有り)であるか否か
(c) 脂質/炭水化物比：原料の脂質濃度と炭水化物濃度の比率が、13以上であるか否か
(d) タンパク質/炭水化物比：原料のタンパク質濃度と炭水化物濃度の比率が、26以上であるか否か
(e) 微量栄養素：例えば、原料中の鉄が165 (mg/kg-COD原料)以上、コバルトが14 (mg/g-COD原料)以上、ニッケルが5 (mg/g-COD原料)以上であるか否か
(f) Na濃度：原料のナトリウム濃度が、5.6 g/L 未満であるか否か
(g) 上記ａ～ｆ（※判別の順序は順不同、但しa, b, e, f は必須条件）の条件を満たした上で、混合発酵時のメタン収率（＝原料のVS1gあたりからのメタン生成量(単位：mL/g-VS）)が、大きいほどより良い混合発酵の相性と判断される。尚、メタン収率が、100mL/g-VS未満である場合には、経済的な観点から、資材同士の単純な混合発酵処理には不向きな組み合わせと判断される。
なお、機械学習モデル１１２は、各バイオガス資材の混合発酵の評価値に基づき、適切なガス化促進剤、栄養補助剤、補助原料等の種類及びその添加量を評価することで、在庫する１つ以上のバイオガス資材を混合発酵する際に、より良い発酵条件を整えることも考え得る。
この際の「ガス化促進剤」「栄養補助剤」「補助原料」とのシナジー性を判断するための評価値としては、例えば、以下のものがある。
a） C/N比（＝原料の炭素濃度と窒素濃度の比率）が、25以上27以下である
b） タンパク質/炭水化物比（＝原料のタンパク質濃度と炭水化物濃度の比率）が、26以上である
c） 脂質/VS比（＝原料の脂質濃度とVS濃度の比率）が35以下、且つ脂質/炭水化物比（＝原料の脂質濃度と炭水化物濃度の比率）が、13以上である
a） C/N比（＝原料の炭素濃度と窒素濃度の比率）が、25以上27以下である
b） タンパク質/炭水化物比（＝原料のタンパク質濃度と炭水化物濃度の比率）が、26以上である
c） 脂質/VS比（＝原料の脂質濃度とVS濃度の比率）が35以下、且つ脂質/炭水化物比（＝原料の脂質濃度と炭水化物濃度の比率）が、13以上である
そして、機械学習モデル１１２で処理された評価値は出力部１１３に入力されて、バイオガス資材関連データとして記憶部１２に出力できる。
このように、評価値演算装置１は、バイオガス資材の排出元（＝商業施設、レストラン、ホテル、食品工場など）から排出されるバイオガス資材と、バイオガスプラントで実際に使用されているバイオガス資材とを、評価値を介して結びつけることで、より効率の良くバイオガス生成のための機械学習モデルを用意する。この結果、評価値演算装置１では、AIに基づく機械学習モデル１１２を用いてバイオガス資材の資源化に関する評価値の学習・推算を行なうことができ、メタンガス資材の的確な配合を行い、カーボンニュートラルに貢献できる。
次に、本実施の形態に係る評価値演算装置１が学習装置として動作する際の動作手順に関して図１２を参照しながら説明する。最初に、入力部１１１において機械学習ライブラリ１Ｌの入力がある場合（Ｓ１２０１でＹｅｓ）、入力部１１１は、機械学習モデル１１２に出力する（Ｓ１２０２）。次に、機械学習モデル１１２では、機械学習ライブラリ１Ｌに基づいて、パラメータ更新処理（設定値の更新処理）を行う（Ｓ１２０３）。この設定値の更新は、ニューラルネットワークを用いる機械学習においては例えばパラメータをミニバッチ勾配降下法で更新するなど入力データと解答データとの差分を最小化する処理である。次に、更新された設定値を記憶部１２に格納する（Ｓ１２０４）。
次に、本実施の形態に係る評価値演算装置１が推論装置として動作する際の動作手順に関して図１３を参照しながら説明する。最初に、入力部１１１においてバイオガス資材の種類、回収場所、性状、分量の特性データなどの入力がある場合（Ｓ１３０１でＹｅｓ）、入力部１１１は、当該特性データを機械学習モデル１１２に出力する（Ｓ１３０２）。次に、機械学習モデル１１２は、入力された特性データに基づいて推論処理を行い、推論データ（例えば上述した評価値やａ～ｇの判定）を生成する（Ｓ１３０３）。そして、推論結果である評価値を記憶部１２に格納する（Ｓ１３０４）。
＜実験例＞
次に、本実施の形態に係るメタン資材の評価値演算装置１における機械学習の実験例に関して図１４～図２３を参照しながら説明する。本実験の目的は、食品廃棄物等のバイオガス資材を主原料としたバイオガス燃料の製造を最適化するための評価値を提示可能なAIモデルを開発することである。
次に、本実施の形態に係るメタン資材の評価値演算装置１における機械学習の実験例に関して図１４～図２３を参照しながら説明する。本実験の目的は、食品廃棄物等のバイオガス資材を主原料としたバイオガス燃料の製造を最適化するための評価値を提示可能な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、バイオガス資材におけるメタン収率などの評価値を予測するものである。なお、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「MATLAB(登録商標）」（Mathworks社製）を選択した。その他「Python」や「Mathematica」（WOLFRAM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モデルに関して説明する。このAIモデルで用いる機械学習ライブラリの例を図１４及び図１５のテーブル１４０，１５０に示す（図１４及び図１５は実際には横並びのテーブルである）。この機械学習ライブラリには、テーブル１４０，１５０に示すように、各種論文などを通じて既に一般に広く公開されている「バイオガス資材の各種の原料種類、当該原料種類に対応するバイオマス種、各原料の前処理の必要性の有無、メタンガス発酵方式、発酵温度、発酵日数又はその停止の目安、各メタン資材の有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度（Ash/TS）、化学的酸素要求量(COD)、化学的酸素要求量COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）などの含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)など各メタン資材の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS）、生分解率、VS分解率」などが記載されている。
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、深層学習の1つであるオートエンコーダ（自己符号化器：Autoencoder）を用いた深層学習モデル、などが考え得るが、その他の学習モデルを使用しても良い。
次に、本実験例における資源化に関する評価値の推算結果に関して図１６～図２４を参照して説明する。上記のように作成された機械学習モデルを用いて、最初に、個別バイオガス資材の回収場所、原料種類などの特性データから資源化の評価値を推算した。この際に得られた評価値の推算結果を図１６乃至図１８のテーブル１６０，１７０，１８０に示す（図１６～図１８は実際には横並びのテーブルである）。
なお、図１８（ｂ）のテーブル１８１には推算ではなく実測された実測メタン収率、ＶＳ分解率などが測定されているが、理論的メタン収率などの推算精度を向上させるためには、推算後データと比較できる実測値データ数を増やして学習モデルの機械学習ライブラリ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。
そして、作成された機械学習モデルを用いて、推算された個別バイオガス資材に含まれる１の資材（ここではPotato waste１６１）を、図１６乃至図１８において推算された残りの全ての個別バイオガス資材（図１６のBoiled rice以下全ての資材）に対して５０：５０で混合した場合の各混合バイオガス資材の評価値を推算し、得られた評価値の推算結果を図１９乃至図２１のテーブル１９０，２００，２１０に示す（図１９～図２１は実際には横並びのテーブルである）。
この際、上記a~fの内、最低限の必須条件であるa, b, e, fの各条件を満たした混合バイオガス資材を破線より上に示し、且つメタン収率が大きい組み合わせを表の上から順番に並べた。破線１９１より下の資材のリストは、たとえメタン収率が高くなっていても、必須条件a, b, e, fの何れかの要件を満たしていないために適切な混合でないことが推算された。すなわち、図２１に示すように本実験例の個別バイオガス資材（Potato waste）に対しては上記ａ～ｆを満たす原料はメタン収率が高いものから順番にrice stalk-BP、wheat stalk-BP、rape stalk-BP、maize stalk-BP、Wheat Straw 5.0cm、Barley Straw 5.0cm、cotton stalk-BP、Maize stalks 2.0cm、Rice Straw 5.0cmの９種であって、これらのうちでも特にrice stalk-BPとのバイオガス生成の資源化の相性が良いことが予測された。
なお、上記ａ～ｆを全て満たしていなくても、「ガス化促進剤」「栄養補助剤」「補助原料」などの補助剤を加えれば上記ａ～ｆを全て満たすようになる原料もある。そこで、上記の図１９～２１の混合バイオガス資材の評価値の推算結果に、さらに、補助原料としてガス化促進剤（ここではバイオ灰、添加量２ｋｇ／原料１００ｋｇ）を添加した場合の上記各種の評価値を推算した。この際、得られた評価値の推算結果を図２２乃至図２４のテーブル２２０，２３０，２４０に示す（図２２～図２４は実際には横並びのテーブルである）。
この際、上記ａ～ｆを全て満たした混合バイオガス資材を破線より上に示し、且つメタン収率が大きい組み合わせを表の上から順番に並べた。破線２２１より下の資材のリストは、たとえメタン収率が高くなっていても、ａ～ｆの何れかの要件を満たしていないために適切な混合でないことが推算された。すなわち、図２４に示すように本実験例の個別バイオガス資材（Potato waste）及びガス化促進剤（バイオ灰、添加量２ｋｇ／原料１００ｋｇ）に対しては上記ａ～ｆを全て満たす原料はrice stalk-BP、wheat stalk-BP、rape stalk-BP、maize stalk-BP、Wheat Straw 5.0cm、Barley Straw 5.0cm、cotton stalk-BP、Maize stalks 2.0cmの８種であって、これらのうちでも特にrice stalk-BPとのバイオガス生成の資源化の相性が良いことが予測された。さらに、メタン収率が、ガス化促進剤を加えていないときの推算値より大きくなること（ガス化促進剤を加えていない場合：420.33、ガス化促進剤を加えた場合：622.17）が推算された。この結果、個別バイオガス資材Potato wasteに対しては、rice stalk-BPとの混合、且つガス化促進剤の添加がさらにバイオガス生成時には最適であることが推算された。
以上の説明のように、本発明は少なくとも１種類以上のバイオガス資材を用いてバイオガスを製造する際、その資源化に関する評価値を演算するバイオガス資材の評価値演算装置１であって、バイオガス資材に関する機械学習ライブラリ１Ｌ又はバイオガス資材の特性データの入力又はバイオガスプラントの運用状況に関するデータを受け付ける入力部１１１と、入力部１１１から機械学習ライブラリ１Ｌ又はバイオガス資材の特性データ又はバイオガスプラントの運用状況に関するデータが入力される機械学習モデル１１２と、機械学習ライブラリ１Ｌに基づいて機械学習モデル１１２における設定値を学習する処理を実行する学習処理実行部１０１と、機械学習モデル１１２を用いて特性データ及びバイオガスプラントの運用状況に関するデータに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行する評価値演算実行部１０２と、を備える。特性データには、バイオガス資材の種類、回収場所、性状、及び分量の情報の少なくとも１つが含まれる。評価値には、個別バイオガス資材又は複数の個別資材を混合した混合バイオガス資材における(a) 炭素濃度と窒素濃度の比率であるC/N比、(b) 脂質濃度とVS濃度の比率である脂質/VS比、(c) 脂質／炭水化物比、(d) タンパク質／炭水化物比、(e) 鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)の微量栄養素の濃度、(f) Na濃度、及び(g) 理論的メタン収率（ThBMP: ml/g-VS）の少なくとも１つが含まれる。
この構成により、バイオガス資材の評価値演算装置１では、これまで食品廃棄物などをバイオガス資材として受け入れる際に障害となってきたバイオガス資材の事前診断と、バイオガス資材導入時の安定したバイオガスプラントの運転のための評価値の不在を解消し、食品廃棄物などのバイオガス資源化の促進を図ることができる。また、推算された評価値に基づいて、残渣汚泥や食品ロスなどの食品廃棄物の排出元、及び食品廃棄物を利用してメタンガス化を行うバイオガスプラントを、インターネットを介したメタン資源化マッチングシステムを用いて最適にマッチングし、バイオガスプラントの稼働率向上を図り、ひいては脱炭素化社会の実現に貢献できる。
なお、本発明は、このような評価値演算装置として実現することができるだけでなく、このような評価値演算装置が備える特徴的な手段をステップとする評価値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 評価値演算装置
１Ｐ 評価値演算プログラム
１Ｌ 機械学習ライブラリ
１０ 制御部
１１ 評価値演算部
１２ 記憶部
１３ 通信部
１０１ 学習処理実行部
１０２ 評価値演算実行部
１１１ 入力部
１１２ 機械学習モデル
１１３ 出力部
１Ｐ 評価値演算プログラム
１Ｌ 機械学習ライブラリ
１０ 制御部
１１ 評価値演算部
１２ 記憶部
１３ 通信部
１０１ 学習処理実行部
１０２ 評価値演算実行部
１１１ 入力部
１１２ 機械学習モデル
１１３ 出力部
Claims (15)
- バイオガス資材の資源化に関する評価値を演算する評価値演算装置であって、
バイオガス資材に関する機械学習ライブラリ又はバイオガス資材の特性データの入力を受け付ける入力部と、
前記入力部から前記機械学習ライブラリ又はバイオガス資材の特性データが入力される機械学習モデルと、
前記機械学習ライブラリに基づいて、前記機械学習モデルにおける設定値を学習する処理を実行する学習処理実行部と、
前記機械学習モデルを用いて、前記特性データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行する評価値演算実行部と、を備え、
前記特性データには、バイオガス資材の種類、回収場所、性状、及び分量の少なくとも１つの情報が含まれる、ことを特徴とするバイオガス資材の評価値演算装置。 - 前記入力部には、さらに、バイオガスプラントの運用状況に関するデータが入力され、
前記機械学習モデルには、さらに、バイオガスプラントの運用状況に関するデータが入力され、
前記評価値演算実行部は、前記機械学習モデルを用いて、前記特性データ及びバイオガスプラントの運用状況データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行し、
前記バイオガスプラントの運用状況に関するデータには、プラントで使用されているバイオガス資材の種類、発酵方式、凝集剤などの添加物の有無とその分量、メタン発酵槽1m3におけるVS容積負荷、メタン発酵槽における有機物分解率、ガスホルダにおけるメタンガス発生量、及び実測メタン収率（BMP）の少なくとも１つの情報が含まれる、ことを特徴とする請求項１記載のバイオガス資材の評価値演算装置。 - 前記評価値演算実行部において推算される評価値には、個別バイオガス資材又は複数の個別バイオガス資材を混合した混合バイオガス資材の(a) 炭素濃度と窒素濃度の比率であるC/N比、(b) 脂質濃度と有機物濃度(VS:Volatile Solids)濃度の比率である脂質/VS比、(c) 脂質／炭水化物比、(d) タンパク質／炭水化物比、(e) 鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)の微量栄養素の濃度、(f) Na濃度、及び(g) 理論的メタン収率（ThBMP: ml/g-VS）の少なくとも１つが含まれる、ことを特徴とする請求項１又は２記載のバイオガス資材の評価値演算装置。
- 前記評価値演算実行部は、混合バイオガス資材の場合には、さらに
(a) C/N比が、25以上であるか否か
(b) 脂質/VS比が、35以下であるか否か
(c) 脂質/炭水化物比が、13以上であるか否か
(d) タンパク質/炭水化物比が、26以上であるか否か
(e) 微量栄養素のうち、鉄が165 (mg/kg-COD原料)以上、コバルトが14 (mg/g-COD原料)以上、ニッケルが5 (mg/g-COD原料)以上であるか否か
(f) Na濃度が、5.6 g/L 未満であるか否か
(g)混合発酵時のメタン収率、の少なくとも１つを推算する、ことを特徴とする請求項３記載のバイオガス資材の評価値演算装置。 - 前記評価値演算実行部は、前記ａ～ｆの条件を満たし、且つ前記ｇのメタン収率が大きいほど、混合バイオガス資材のより良い混合発酵の相性と判断する、ことを特徴とする請求項４記載のバイオガス資材の評価値演算装置。
- 前記評価値演算実行部は、前記メタン収率が、100mL/g-VS未満である場合には、バイオガス資材同士の混合発酵処理には不向きな組み合わせと判断する、ことを特徴とする請求項４又は５記載のバイオガス資材の評価値演算装置。
- 前記評価値演算実行部は、さらに、
(a) C/N比が、25以上27以下である
(d) タンパク質/炭水化物比が、26以上である
(b) 脂質/VS比が35以下、且つ (c) 脂質/炭水化物比が、13以上であるか否かを判定する、ことを特徴とする請求項４記載のバイオガス資材の評価値演算装置。 - 前記評価値演算実行部は、さらに、適切なガス化促進剤、栄養補助剤、補助原料等の種類及びその添加量を予測・分析する、ことを特徴とする請求項３記載のバイオガス資材の評価値演算装置。
- 前記評価値演算実行部は、前記評価値として、さらに、各種のバイオガス資材の前処理の必要性の有無、各メタン資材の有機物の組成式、発酵温度、発酵日数、各メタン資材の有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）の含有量）、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）を推算する、ことを特徴とする請求項３記載のバイオガス資材の評価値演算装置。
- 前記機械学習ライブラリには、個別バイオガス資材及び混合バイオガス資材における前処理の必要性の有無、各メタン資材の有機物の組成式、発酵温度、発酵日数、各メタン資材の有機物濃度(VS)、固形物量(TS)、有機物比率(VS/TS)、灰分濃度、化学的酸素要求量(COD)、理論的酸素要求量（ThOD）、COD/VS値、各メタン資材の有機物構成元素の濃度（＝炭素(C:%VS)、窒素（N：％VS）、酸素（O：％VS）、水素（H：％VS）の含有量）、各メタン資材の炭水化物・脂質・タンパク質・灰分など栄養素の濃度、各メタン資材のヘミセルロース・セルロース・リグニン濃度（％VS）、 C/N比（各メタン資材の炭素濃度と窒素濃度の比率）、脂質/VS比（各メタン資材の脂質濃度とVS濃度の比率）、Na濃度、鉄 (mg/kg-COD原料)、コバルト (mg/g-COD原料)、ニッケル(mg/g-COD原料)の各メタン資材の微量栄養素の濃度、理論的メタン収率（ThBMP: ml/g-VS）、実測メタン収率（BMP: ml/g-VS）予測値、生分解率、VS分解率、及びエネルギー収率の少なくとも１つが含まれる、ことを特徴とする請求項１記載のバイオガス資材の評価値演算装置。
- さらに、通信網への通信接続を実現する通信部を備え、
当該通信部を介して前記機械学習ライブラリ、前記評価値演算実行部において推算された前記バイオガス資材の資源化に関する評価値を送信する、ことを特徴とする請求項１記載のバイオガス資材の評価値演算装置。 - バイオガス資材の資源化に関する評価値を演算する評価値演算装置に用いるプログラムであって、
バイオガス資材に関する機械学習ライブラリ又はバイオガス資材の特性データの入力を受け付けて、機械学習モデルに前記機械学習ライブラリ又はバイオガス資材の特性データを入力する入力ステップと、
前記機械学習ライブラリに基づいて、前記機械学習モデルにおける設定値を学習する処理を実行する学習処理実行ステップと、
前記機械学習モデルを用いて、前記特性データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行する評価値演算実行ステップと、を含み、
前記特性データには、バイオガス資材の種類、回収場所、性状、及び分量の少なくとも１つの情報が含まれる、ことを特徴とするプログラム。 - 前記入力ステップにおいては、さらに、バイオガスプラントの運用状況に関するデータが入力され、
前記機械学習モデルには、さらに、バイオガスプラントの運用状況に関するデータが入力され、
前記評価値演算実行ステップにおいては、前記機械学習モデルを用いて、前記特性データ及びバイオガスプラントの運用状況データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行し、
前記バイオガスプラントの運用状況に関するデータには、プラントで使用されているバイオガス資材の種類、発酵方式、凝集剤などの添加物の有無とその分量、メタン発酵槽1m3におけるVS容積負荷、メタン発酵槽における有機物分解率、ガスホルダにおけるメタンガス発生量、及び実測メタン収率（BMP）の少なくとも１つの情報が含まれる、ことを特徴とする請求項１２記載のプログラム。 - バイオガス資材の資源化に関する評価値を演算する評価値演算方法であって、
バイオガス資材に関する機械学習ライブラリ又はバイオガス資材の特性データの入力を受け付けて、機械学習モデルに前記機械学習ライブラリ又はバイオガス資材の特性データを入力する入力ステップと、
前記機械学習ライブラリに基づいて、前記機械学習モデルにおける設定値を学習する処理を実行する学習処理実行ステップと、
前記機械学習モデルを用いて、前記特性データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行する評価値演算実行ステップと、を含み、
前記特性データには、バイオガス資材の種類、回収場所、性状、及び分量の少なくとも１つの情報が含まれる、ことを特徴とするバイオガス資材の評価値演算方法。 - 前記入力ステップにおいては、さらに、バイオガスプラントの運用状況に関するデータが入力され、
前記機械学習モデルには、さらに、バイオガスプラントの運用状況に関するデータが入力され、
前記評価値演算実行ステップにおいては、前記機械学習モデルを用いて、前記特性データ及びバイオガスプラントの運用状況データに基づいて推算処理を実行することでバイオガス資材の資源化に関する評価値の推算を実行し、
前記バイオガスプラントの運用状況に関するデータには、プラントで使用されているバイオガス資材の種類、発酵方式、凝集剤などの添加物の有無とその分量、メタン発酵槽1m3におけるVS容積負荷、メタン発酵槽における有機物分解率、ガスホルダにおけるメタンガス発生量、及び実測メタン収率（BMP）の少なくとも１つの情報が含まれる、ことを特徴とする請求項１４記載のバイオガス資材の評価値演算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023509518A JP7445248B1 (ja) | 2022-06-07 | 2023-02-09 | 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 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2022/022864 WO2023238211A1 (ja) | 2022-06-07 | 2022-06-07 | 食品廃棄物を利用したメタン資源化マッチングシステム |
| JPPCT/JP2022/22864 | 2022-06-07 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023238442A1 true WO2023238442A1 (ja) | 2023-12-14 |
Family
ID=85569516
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2022/022864 WO2023238211A1 (ja) | 2022-06-07 | 2022-06-07 | 食品廃棄物を利用したメタン資源化マッチングシステム |
| PCT/JP2023/004304 WO2023238442A1 (ja) | 2022-06-07 | 2023-02-09 | 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 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2022/022864 WO2023238211A1 (ja) | 2022-06-07 | 2022-06-07 | 食品廃棄物を利用したメタン資源化マッチングシステム |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4336421A1 (ja) |
| JP (2) | JP7239952B1 (ja) |
| CN (1) | CN117561528A (ja) |
| WO (2) | WO2023238211A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7452913B1 (ja) | 2023-10-06 | 2024-03-19 | 株式会社リッキー | マッチング支援システム、マッチング支援方法及びプログラム |
Citations (4)
| 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 |
| 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 |
| WO2022230035A1 (ja) * | 2021-04-27 | 2022-11-03 | 株式会社ティービーエム | 廃油を利用した最適化燃料演算装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3216173B2 (ja) | 1991-10-18 | 2001-10-09 | カシオ計算機株式会社 | 薄膜トランジスタ回路の製造方法 |
| JP4401007B2 (ja) | 2000-07-18 | 2010-01-20 | 株式会社ティービーエム | 含油廃水処理装置 |
| JP3934364B2 (ja) * | 2001-06-07 | 2007-06-20 | 株式会社日立製作所 | リサイクル処理方法及びシステム |
| JP4420750B2 (ja) | 2004-06-25 | 2010-02-24 | 株式会社ティービーエム | 含油廃水の浄化装置 |
| JP2007098369A (ja) * | 2005-10-07 | 2007-04-19 | Mitsubishi Heavy Ind Ltd | 有機性廃棄物の生物処理における管理システム及び該方法 |
| JP5452814B2 (ja) | 2010-06-01 | 2014-03-26 | 株式会社ティービーエム | 廃固形分、廃油夾雑物、廃水含有廃油から廃油の選択分離、移送装置 |
| JP2014217804A (ja) | 2013-05-08 | 2014-11-20 | 株式会社ティービーエム | 火力発電方法 |
| JP7095501B2 (ja) * | 2018-01-16 | 2022-07-05 | 栗田工業株式会社 | 廃棄物処理施設の管理方法及び廃棄物処理施設の管理装置 |
| JP2022083178A (ja) * | 2020-11-24 | 2022-06-03 | 栗田工業株式会社 | 支援システム、支援装置、支援方法及び支援プログラム |
-
2022
- 2022-06-07 CN CN202280038533.1A patent/CN117561528A/zh active Pending
- 2022-06-07 JP JP2022534343A patent/JP7239952B1/ja active Active
- 2022-06-07 EP EP22944070.6A patent/EP4336421A1/en active Pending
- 2022-06-07 WO PCT/JP2022/022864 patent/WO2023238211A1/ja active Application Filing
-
2023
- 2023-02-09 WO PCT/JP2023/004304 patent/WO2023238442A1/ja unknown
- 2023-02-09 JP JP2023509518A patent/JP7445248B1/ja active Active
Patent Citations (4)
| 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 |
| 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 |
| WO2022230035A1 (ja) * | 2021-04-27 | 2022-11-03 | 株式会社ティービーエム | 廃油を利用した最適化燃料演算装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4336421A1 (en) | 2024-03-13 |
| WO2023238211A1 (ja) | 2023-12-14 |
| CN117561528A (zh) | 2024-02-13 |
| JP7239952B1 (ja) | 2023-03-15 |
| JPWO2023238442A1 (ja) | 2023-12-14 |
| JPWO2023238211A1 (ja) | 2023-12-14 |
| JP7445248B1 (ja) | 2024-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bhatt et al. | Economic perspectives of biogas production via anaerobic digestion | |
| Sridhar et al. | Conversion of food waste to energy: A focus on sustainability and life cycle assessment | |
| Breunig et al. | Bioenergy potential from food waste in California | |
| Kumar et al. | Life cycle assessment: Blazing a trail for bioresources management | |
| Hidalgo et al. | Biochemical methane potential of livestock and agri-food waste streams in the Castilla y León Region (Spain) | |
| Zupančič et al. | Current status and review of waste-to-biogas conversion for selected European countries and worldwide | |
| González et al. | Biochar and energy production: Valorizing swine manure through coupling co-digestion and pyrolysis | |
| González et al. | Anaerobic co-digestion of wastes: reviewing current status and approaches for enhancing biogas production | |
| Cucui et al. | Quantifying the economic effects of biogas installations for organic waste from agro-industrial sector | |
| JP7445248B1 (ja) | 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 | |
| Munda et al. | Production of bioenergy from composite waste materials made of corn waste, spent tea waste, and kitchen waste co-mixed with cow dung | |
| Full et al. | Carbon-negative hydrogen production (HyBECCS) from organic waste materials in Germany: how to estimate bioenergy and greenhouse gas mitigation potential | |
| Fajobi et al. | Effect of biomass co-digestion and application of artificial intelligence in biogas production: A review | |
| Okoro et al. | Sustainable biogas production from waste in potential states in Nigeria–alternative source of energy | |
| Twinomunuji et al. | The potential for bottled biogas for clean cooking in Africa | |
| Bywater et al. | Potential for biomethanisation of CO2 from anaerobic digestion of organic wastes in the United Kingdom | |
| Bruno et al. | Life Cycle Assessment and Cost–Benefit Analysis as Combined Economic–Environmental Assessment Tools: Application to an Anaerobic Digestion Plant | |
| Salah et al. | Analysis of Energy Recovery from Municipal Solid Waste and Its Environmental and Economic Impact in Tulkarm, Palestine | |
| de Oliveira et al. | Kinetics assessment and modeling of biogas production by anaerobic digestion of food wastes and acclimated sewage sludge | |
| Casallas-Ojeda et al. | Opportunities for waste to energy in the milk production industry: Perspectives for the circular economy | |
| González et al. | Energetic valorization of biogas. A comparison between centralized and decentralized approach | |
| Liu et al. | Household food waste to biogas in Västerås, Sweden: A comprehensive case study of waste valorization | |
| Nahar Myyas et al. | Review of bioenergy potential in Jordan | |
| Deshmukh | Private sector innovation in biofuels in the United States: induced by prices or policies | |
| Tantiwatthanaphanich et al. | Empowering the local community via biomass utilization: A case study in Thailand |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23819430 Country of ref document: EP Kind code of ref document: A1 |