A data-driven model for feedstock blending optimization in anaerobic co-digestion scenarios

The increasing energy demand and the growing environmental concerns have lately encouraged the exploitation of fossil-free, renewable energy sources. In this context, anaerobic digestion represents an interesting technology since it allows the production of biogas starting from substances made of waste (e.g., animal manure, agro-industrial and organic waste types, sludges), achieving at the same time their valorization and disposal. Single substrate digestion frequently leads to an under-exploitation of the raw material due to poor feedstock characteristics, resulting in low methane production. On the other hand, it has been demonstrated that the methane yield could be significantly increased by properly combining two or more substrates, performing an anaerobic co-digestion. Throughout the years, many studies have been carried out to understand how different raw materials should be combined to maximize their co-digestion performances; however, an easy-to-use and quick technology able to predict their best blending conditions does not exist in literature. Consequently, the purpose of this project is to create a model that with few, simple inputs is able to estimate with good precision the optimal blending ratios of mixtures of substrates to maximize the methane yield of their co-digestion. The extremely large number of possible raw materials and the high variability of their compositions depending on their source reflect the high complexity of the problem; thus, the starting point has been the creation of a database where data about commonly used substrates have been collected from literature. These data have been then analysed and exploited to build a data-driven optimization model that, through the maximization of an objective function representing the biomethane potential (BMP) of a mixture, is able to calculate the optimal composition of the feedstock. This model, initially based on lab-scale batch tests, has also been improved to make it suitable for industrial-scale scenarios, so that the optimal feedstock blending of batch and CSTR-based digesters is calculated taking into account supply chain factors such as substrates availability and storage capabilities of the plant. In addition, an Excel dashboard linked with a Python algorithm has been developed to make calculations more practical in view of an industrial usage. The optimization model has been validated by the comparison of its results with the ones of experimental batch tests available in literature and with industrial data that have been provided by two companies. After validation, this innovative model has demonstrated to yield satisfactory and practical findings.

La crescente domanda di energia e l’interesse nella transizione ecologica hanno incoraggiato negli ultimi anni lo sfruttamento di fonti di energia alternative rispetto a quelle di origine fossile. In questo contesto, la digestione anaerobica ha guadagnato particolare attenzione in quanto permette la produzione di biogas a partire da scarti di varia natura (letame animale, rifiuti agro-industriali e organici, fanghi di depurazione), permettendone allo stesso tempo lo smaltimento e la valorizzazione. La digestione di un singolo tipo di substrato porta spesso a basse rese in biometano in quanto l’alimentazione potrebbe presentare caratteristiche non ottimali. È stato invece dimostrato che rese maggiori possono essere ottenute alimentando due o più substrati, effettuando in questo caso una co-digestione anaerobica. Negli anni sono stati effettuati numerosi studi riguardo come diversi substrati dovrebbero essere combinati per ottenere la massima resa possibile; tuttavia, in letteratura non esistono modelli in grado di fornire in maniera semplice e veloce le migliori condizioni di miscelazione. Lo scopo di questo progetto, quindi, è quello di creare un modello che, con pochi e semplici input, riesca a predire in quali rapporti certi substrati debbano essere miscelati in modo da ottenere la massima resa possibile in biometano. Il grande numero di possibili materie prime e l’alta variabilità delle loro composizioni a seconda dell’origine riflettono la complessità di questo problema; il punto di partenza è stato quindi raccogliere in un database un gran numero di dati riguardo i substrati più comuni. Grazie all’analisi di questi dati, è stato costruito un modello di ottimizzazione data-driven che, attraverso la massimizzazione di una funzione rappresentante il potenziale di biometano (BMP) della miscela, è in grado di calcolare la composizione ottima del feedstock. Questo tool, inizialmente costruito sulla base di batch test in scala di laboratorio, è stato poi migliorato per renderlo adeguato all’applicazione su scala industriale, in modo da calcolare il blending ottimo dell’alimentazione di digestori anaerobici industriali di tipo batch e CSTR, tenendo anche in considerazione fattori relativi alla supply chain quali la disponibilità delle materie prime e la capacità di stoccaggio dei rifiuti dell’impianto. In più, è stata anche creata una dashboard su Excel, connessa ad un algoritmo scritto nel linguaggio Python, in modo da rendere i calcoli più pratici in vista di un utilizzo a livello industriale. I risultati del modello sono stati validati grazie al confronto con quelli di sperimentazioni in scala di laboratorio, disponibili in letteratura, e con dati industriali che sono stati forniti da due aziende del settore. A seguito della sua validazione, è possibile affermare che questo modello innovativo è in grado di fornire risultati soddisfacenti e affidabili.