混合预测驱动的高通量可持续性选,以推进废物转化为二甲基乙烯的价值化
Daniel Fozer1, Philippe Nimmegeers2,3, Andras Jozsef Toth4
1Department of Environmental and Resource Engineering, Quantitative Sustainability Assessment, Technical University of Denmark, Bygningstorvet, Building 115, DK-2800 Kgs. Lyngby, Denmark.
本研究引入了一种混合预测方法,以评估废物转化为二甲基乙烯 (DME) 生产的气候潜力. 它确定了从城市废物和污水污泥中可持续合成DME的最佳配置.
科学领域:
- 化学工程是化学工程的重要组成部分.
- 环境科学 环境科学
- 可持续性科学 可持续性科学
背景情况:
- 评估新型化学品生产的可持续性是具有挑战性的,原因是大量的工艺选择和缺乏高通量选.
- 开发可持续的废物利用方法对于气候保护至关重要.
研究的目的:
- 提出一个数据驱动的混合预测框架 (ANN-RSM-DOM),以简化废物到二甲基乙烯 (DME) 的回收利用.
- 通过城市固体废物 (OFMSW) 和污水污泥 (SS) 的有机分量来确定可持续和成本有效的生物炼油厂配置.
主要方法:
- 人工神经网络 (ANN) 的开发,用于在体废物回收利用和前期建模.
- 使用Aspen Plus过程流量设定,响应表面方法 (RSM) 和可取性优化方法 (DOM) 进行分析.
- 以数据驱动的混合预测为可持续性预先选的连续应用.
主要成果:
- 确定了基于DME合成的元素组成的有针对性的废物选择的重要性.
- 揭示了实现气候效益的工厂配置 (-1.241至-2.128公斤CO2-eq/公斤DME) 和低生产成本 (0.382至0.492欧元/公斤DME).
- 证明了框架能够选低技术准备水平的过程.
结论:
- 混合预测促进了早期过程合成和复杂过程单元的设计.
- 能够同时分析可持续化学生产的定性和定量变量.
- 支持不成熟的化学生产技术的高通量可持续性选.
更多相关视频
11:31High-throughput Screening of Recalcitrance Variations in Lignocellulosic Biomass: Total Lignin, Lignin Monomers, and Enzymatic Sugar Release
Published on: September 15, 2015
06:11Author Spotlight: Advancing Anaerobic Microbiota Research Using a Novel Respirometry Protocol
Published on: April 26, 2024
相关概念视频
Microbial Bioremediation of Hydrocarbons
Microbial Wastewater Treatment
Production of Alcohol
Biofuels
Microbial Bioremediation of Plastics
