Forscher des Idaho National Laboratory (INL) haben ein Computermodell entwickelt, das die Umwandlung von Biomasse wie Sägemehl, Ernterückständen und Siedlungsabfällen in Brennstoffe und Chemikalien unterstützt. Das neue Modell adressiert das Problem der mechanischen Verstopfung bei der Pelletierung von Biomasse und integriert Gerätedaten aus verschiedenen Branchen, um eine effiziente Lösung für die Verarbeitung von Energiepflanzen zu bieten.

Das Forschungsteam konzentrierte sich auf Maisstängel. Mithilfe einer speziellen Schneidetechnik wurden diese in homogenes Material umgewandelt. Die Entwicklung der Partikelgröße wurde mithilfe der Diskrete-Elemente-Methode (DEM) modelliert und analysiert. Experimente zeigten, dass die Stängellänge nur einen geringen Einfluss auf die Partikelgröße hat, während die Querschnittsgröße positiv mit der Größe der gemahlenen Partikel korreliert. Aufbauend auf ihrer im April 2022 in *Biosystems Engineering* veröffentlichten Forschung zum elastoplastischen Biegeverhalten, enthüllte das Team in einer im Dezember 2023 publizierten Arbeit den Mechanismus der Partikelbildung und bestätigte in einer im Mai 2024 in *Powder Technology* veröffentlichten Studie, dass das Computermodell die optimalen Parametereinstellungen für Anlagen präzise vorhersagen und die Effizienz der Partikelgrößenkontrolle deutlich verbessern kann. „Durch die Messung biomechanischer Eigenschaften und die Generierung von Referenzdaten haben wir ein verifizierbares Modell für maschinelles Lernen entwickelt“, so Professor Yidong Xia, leitender Wissenschaftler. „Dies bietet eine wissenschaftliche Grundlage für die schnelle Vorhersage der Partikelgrößenverteilung.“ Das Modell integriert innovativ den Feuchtigkeitsgehalt als Schlüsselparameter und kombiniert ihn mit einem Deep-Neural-Network-Operatormodell, wodurch eine extrem hohe Genauigkeit bei der Vorhersage der Partikelentwicklung erreicht wird. Untersuchungen zeigen, dass die Größe des Austragssiebs und der Feuchtigkeitsgehalt des Materials einen weitaus größeren Einfluss auf die Verarbeitungsergebnisse haben als die Anlagengeschwindigkeit und -leistung. Die INL-Prozessentwicklungseinheit (PDU) unterstützt derzeit Industriepartner bei der Erprobung von Mahl-, Trocknungs- und anderen Prozesslösungen. „Unser Ziel ist es, Unternehmen durch den Austausch von Fachwissen und Ressourcen bei der Optimierung ihrer Betriebsabläufe zu unterstützen“, betonte Damon Hartley, leitender Wissenschaftler im Bereich Bioenergieforschung. „Umfangreichere und detailliertere Daten vor groß angelegten Tests können die Erfolgsquote von Projekten deutlich erhöhen.“

Weitere Informationen: Yidong Xia et al., „Elastic-plastic bending behavior of corn stalks“, *Biosystem Engineering* (2022). Yidong Xia et al., „Discrete element modeling of flexible biomass feedstocks using blade crushing based on experimental data“, *Biosystem Engineering* (2023). Minglei Lu et al., „Biomass Pulverization Prediction: Physical Experiments, Population Balance Models, and Deep Learning“, *Powder Technology* (2024). Zeitschrifteninformationen: Biosystems Engineering