Generating reliable data for Life Cycle Assessments using chemical process simulation

Chemical products are key inputs to many industrial processes, in fact they play an important role in the textile industry. When conducting a Life Cycle Assessment, practitioners often need to opt for proxy choices due to the lack of data on chemicals in commercially available databases. This data gap can be closed by the proposed approach, to obtain process specific inventory data by process simulation tools. The process simulation was based on available scientific literature and carried out in Aspen HYSYS. The first case study, formaldehyde production by the Formox technology, was used to verify the methodology by comparing the results to a widely used commercial dataset. The effect of the deviations in the inventory were studied by the Environmental Footprint 3.1 LCIA method using SimaPro software. All impact categories contained in the method were compared. The ones receiving the greatest attention in LCA studies, Climate change and Resource use, fossils show a difference of -1.7% and 0.8% with respect to the reference dataset, respectively. Using the Monte Carlo method, the EF 3.1 method was considered robust enough for Climate change and Resource use, fossils. The second case study focused on the production of homologues of ethylene glycol butyl ethers, specifically diethylene glycol butyl ether, for which no reference dataset was available. The simulation was done by the ethoxylation of butanol based on a continuous process available in the patent literature. The contribution analysis showed that raw materials are the main contributors to all impact categories (56-99%), underlying the importance of accurate background datasets. Sensitivity analyses were carried out to address modeling choices, such as the amount of excess butanol and ethylene oxide make-up. Finally, the created dataset was compared to one created by the stoichiometric approach, showing close resemblance and some potential proxy choices, which showed greater variations.

I prodotti chimici sono input chiave in molti processi industriali, e svolgono un ruolo cruciale nell'industria tessile. Quando si conduce una Life Cycle Assessment (LCA), gli operatori spesso devono optare per dei sostituti generici a causa della mancanza di dati specifici sui prodotti chimici utilizzati nei database disponibili in commercio. L'approccio proposto per colmare questo vuoto e ottenere dati di inventario specifici, è l'utilizzo di software di simulazione del processo, nel caso di questo lavoro Aspen HYSYS, e basati sulla letteratura scientifica disponibile. Nel primo caso di studio, la produzione di formaldeide tramite la tecnologia Formox, i dati della simulazione sono stati verificati confrontando i risultati con un dataset commerciale ampiamente utilizzato. L'effetto delle variazioni nell'inventario è stato studiato con il metodo Environmental Footprint 3.1 LCIA, utilizzando il software SimaPro. Tutte le categorie di impatto contenute nel metodo sono state confrontate. Quelle che ricevono la maggiore attenzione negli studi di LCA, Cambiamenti climatici e Utilizzo delle risorse fossili mostrano una differenza del -1,7% e dello 0,8% rispetto al dataset di riferimento, rispettivamente. Utilizzando il metodo Monte Carlo, il metodo EF 3.1 è stato considerato abbastanza robusto per i Cambiamenti climatici e l'Utilizzo delle risorse fossili. Il secondo caso di studio si è concentrato in particolare sulla produzione del dietilenglicole monobutil etere (CAS: 112-34-5), per il quale non era disponibile un dataset di riferimento. La simulazione è stata effettuata mediante etossilazione del butanolo basata su un processo in continuo disponibile in brevetto. L'analisi dei contributi alle emissioni ha mostrato che le materie prime sono i principali responsabili in tutte le categorie di impatto (56-99%), evidenziando inoltre quanto l'accuratezza dei dati di background sia fondamentale per l'affidabilità dei risultati. Sono state effettuate analisi di sensibilità per compiere le scelte durante la modellizzazione variando la quantità di butanolo in eccesso e la quantità di ossido di etilene. Infine, il dataset creato è stato confrontato con uno creato mediante l'approccio stechiometrico. I dati mostrano una stretta somiglianza tra i risultati, e le analisi sulla sensibilità quali potenziali scelte di sostituti hanno portato maggiori variazioni.