Machine learning-based modelling of anaerobic digestion stability and productivity optimization by co-digestion

Anaerobic digestion is a reliable technology that, in absence of oxygen and through the action of a specific bacterial community, allows to produce biogas starting from biomasses of different nature. The performances of this process are strongly affected by synergy and antagonism effects formed within the reactor. Their generation depends on the interactions established between the macromolecules of the biomasses and the microorganisms of the system. Because of their importance, the aim of this dissertation is to reach a greater knowledge about the dependence of the anaerobic digestion with respect to these two effects. In such a way as to achieve the previous goal, this work is characterized by two steps: the first one consists of carrying out detailed analysis of two stability parameters to understand their real influence on the performances of anaerobic digestion. The first indicator is the FOS/TAC, that permits to monitor the process stability by focusing on the alkalinity level of the system. The second parameter is the OLR, that defines the amount of volatile solids that must be fed to the reactor every day. Regarding the second step, this dissertation is characterized by the creation of a machine learning to identify the specific conjugated substrate that, as a function of a predefined biomass, can maximize the biomethane yield through a co-digestion process. This machine learning exploits two tools: the first one is a neural network, while the second one is an algorithm that allows to find the optimal composition of the mixture that must be fed to the reactor. Thanks to this work, it has been possible to obtain significant results regarding the role played by the synergy and antagonism effects during the anaerobic digestion. However, there are still several weaknesses to be solved to reach a complete understanding of this topic.

La digestione anaerobica è una tecnologia affidabile che, in assenza di ossigeno e attraverso l’intervento di una specifica comunità batterica, permette di produrre biogas partendo da biomasse di diversa natura. Le performance di questo processo sono fortemente influenzate dagli effetti di sinergia e antagonismo che si formano all’interno del reattore. La loro generazione dipende dalle interazioni che si instaurano tra le macromolecole delle biomasse e i microorganismi dell’ambiente di reazione. A causa della loro importanza, l’obbiettivo di questa tesi è quello di acquisire una migliore conoscenza riguardo alla dipendenza della digestione anaerobica rispetto a questi due effetti. In maniera tale da poter raggiungere il precedente obbiettivo, questo lavoro è caratterizzato da due step: il primo consiste nell’effettuare analisi dettagliate di due parametri di stabilità per poter comprendere la loro reale influenza sulle performance della digestione anaerobica. Il primo indicatore è il FOS/TAC, che permette di monitorare la stabilità del processo focalizzandosi sul livello di alcalinità del sistema. Il secondo parametro è l’OLR, che quantifica la quantità di solidi volatili che devono essere alimentati al reattore ogni giorno. Per quanto riguarda il secondo step, questa tesi è caratterizzata dalla creazione di una machine learning per poter identificare il corretto substrato coniugato che, in funzione di una biomassa predefinita, è in grado di massimizzare la resa di biometano attraverso un processo di co-digestione. Questa machine learning sfrutta due strumenti: il primo è una rete neurale, mentre il secondo è un algoritmo che permette di trovare la composizione ottimale della miscela che deve essere alimentata al reattore. Grazie a questo lavoro, è stato possibile ottenere risultati significativi per quanto riguarda il ruolo svolto dagli effetti di sinergia e antagonismo durante la digestione anaerobica. Tuttavia, ci sono ancora diverse criticità da risolvere per poter raggiungere una completa comprensione di questo argomento.