SPAVER - Slimme Procescontrole van Anaerobe VERgisting

Het stabiel operationeel houden van anaerobe vergisters van organische afvalstromen is een uitdaging. Veel vergisters draaien suboptimaal of niet, met economische schade voor de boer of leveranciers van biovergisters door minder omzetting van circulaire grondstoffen. Mechanistische modellen worden toegepast voor geautomatiseerde procesregeling, maar de onderliggende microbiële en fysisch chemische processen zijn gecompliceerd zodat de regeling weinig robuust is.
Daarentegen kan Machine Learning, bijvoorbeeld een Artificial Neural Network (ANN), systeemgedrag beschrijven zonder voorkennis van optredende mechanismen. Het hoofddoel van deze studie is het opzetten van een ANN-model dat het vergistingsproces onder verschillende omstandigheden kan voorspellen op basis van gegevens uit zowel literatuuronderzoek als uitgevoerde experimenten.
Het toepassen van Machine Learning is theoretisch als experimenteel onderzocht. Verschillende Machine Learning modellen zijn beschreven en vormen een basis voor de anaerobe vergisting. Experimenteel is gewerkt met oude data van zowel een labschaal 6L biovergister (Saxion) als industriële vergisters bij Wabico en Boornbergum (HoSt). Nieuwe data is verkregen via de labvergister.
Resultaten tonen aan dat een ANN met acceptabele nauwkeurigheid (>90 %) de gasproductie kan voorspellen als de invoeding binnen de grenzen van de trainingsdataset valt (interpolatie), maar dat de nauwkeurigheid een stuk lager ligt (~40-50 %) als het model gevraagd wordt om de productie te voorspellen voor niet eerder geobserveerde voeding (extrapolatie). Inzichten laten zien dat meer en betere data essentieel is voor deze toepassing. Meetdata moet maximaal real-time gemeten worden, bijvoorbeeld pH, voeding, gasproductie en -samenstelling, maar idealiter ook de FOS/TAC metingen (Vluchtige Organische Zuren en Totale Anorganische Koolstof) en droge stof bepaling.
Verwacht wordt dat analysewaarden op korte termijn te voorspellen zijn (“FOS/TAC is morgen 0.35”) of de reactor te sturen is op een range (“FOS/TAC blijft tussen 0.3 en 0.4”). Voor deze voorspellingen is het raadzaam om andere Machine Learning algorithmes te testen, zoals ANFIS of LSTM.

Het stabiel operationeel houden van anaerobe vergisters van organische afvalstromen (bijvoorbeeld mest, voedselafval of zuiveringsslib) is een grote uitdaging. Veel vergisters draaien daardoor suboptimaal of staan zelfs helemaal stil, met economische schade voor de boer, leveranciers van biovergisters, als samenleving door minder omzetting van circulaire grondstoffen tot bijvoorbeeld vetzuren of methaan. Mechanistische modellen worden toegepast voor geautomatiseerde procesregeling, maar de onderliggende microbiële en fysisch chemische processen zijn dusdanig gecompliceerd dat de regeling weinig robuust is.

Daarentegen kan kunstmatige intelligentie –en met name Artificial Neural Network (ANN)– systeemgedrag beschrijven zonder voorkennis van de in de bioreactor optredende mechanismen. ANN-modellen hebben met succes biogasproductie voorspeld en geoptimaliseerd met specifieke input- en outputparameters. Dit voorstel beoogt een Slimme Procesregeling voor Anaerobe VERgisters en geeft de aanzet tot een ANN-model dat in staat is om het vergistingsproces onder verschillende omstandigheden te voorspellen op basis van gegevens verkregen uit literatuuronderzoek en experimenten. Een vervolgproject kan dit uitbouwen naar een nauwkeuriger ANN-model dat een proactieve regelstrategie kan geven voor de vergisters in het werkveld van onder andere de projectpartners HoSt en Methaplanet.

Vernieuwend is de kruisbestuiving tussen verwaarding van organische reststromen met kunstmatige intelligentie in een samenwerkingsverband tussen de Saxion-lectoraten Duurzame Energievoorziening, Ambient Intelligence, de UT-vakgroep Discrete Mathematics and Mathematical Programming, genoemde vergisterleveranciers en ToPerform. Dit moet leiden tot een betere benutting van organische reststromen door middel van vergisting. Het voorstel past daarom binnen het thema “Chemische processen en technologie”, van de GoChem-missie Duurzame Chemie.

Beoogde projectresultaten zijn:
1. Een trainingsset van empirische data die procesparameters kan relateren aan procesfalen voor verschillende soorten organische reststromen;
2. Een opzet voor een ANN die met geleverde trainingsset de mogelijkheid voor een proactieve regelstrategie voor vergisters aantoont;
3. Een aanzet voor een vervolgproject om de ANN uit te werken tot een proactieve regelstrategie voor de mkb-partners in het werkveld.