（猿十叁）木质纤维素成分分析本研究使用

文丨猿十叁

编辑丨猿十叁

在阅读此文之前，麻烦您点击一下“关注”，既方便您进行讨论和分享，又能给您带来不一样的参与感，感谢您的支持

全球能源需求、有限的石油储备以及对气候变化日益增长的关注，使得开发木质纤维素生物质作为替代化石燃料的可持续选择引起了相当大的兴趣。

利用可再生原料，特别是废弃物和副产品变得越来越重要，因为一个国家的经济发展和生活质量密切依赖于其人均能源消耗。

此外，能源在一个国家的发展过程中非常重要，因为它是工业化和融入全球的关键因素之一。

金鸡菊废弃物、谷物、芒草、锦葵、油菜籽、向日葵和洋蓟等植物废弃物是常见的农作物用于能源生产的资源。

秸秆、麦秸、叶子、根、壳、种子壳、木质残渣和畜牧废弃物都是生物质的例子。废弃物生物质是一种宝贵的资源，因为它广泛可得、可再生且几乎免费。

各国目前正在寻求替代能源来减少温室气体排放，以应对全球范围内的气候变化。除了碳中性外，生物质作为能源来源降低了对化石燃料的依赖，有助于能源安全和气候变化缓解。

材料与对木质纤维素成分分析

本研究使用的金鸡菊废弃物采集自尼日利亚奥贡州阿贝奥库塔市阿塞罗的农贸市场。样品经过彻底冲洗后，被晾晒并在约105摄氏度下进行烘干，持续24小时。

干燥的样品经过粉碎处理，并使用2毫米的筛孔进行筛选，如图1所示。样品存放在密封容器中，待进一步使用。

本研究使用了来自奥贝安托科市奥贡州的当地木薯加工农场收集的木薯淀粉废料作为粘结剂。

图1：展示A：新鲜的金鸡菊叶，B：干燥的金鸡菊叶，C：粉碎的金鸡菊叶

将以下组分混合：1 克干燥样品加入到 150 毫升脱矿水中，混合物在100摄氏度的油浴中加热1小时，然后进行过滤。

丢弃滤液，用热脱矿水冲洗残渣，并在烘箱中定期进行称重，直到重量稳定不变。然后，将残渣与150 毫升1 N H2SO4 混合，并在100摄氏度的油浴中加热1小时。

表1：输入和输出数据的统计特征

用 300 毫升脱矿水冲洗并过滤，并进行干燥。将干燥的残渣在室温下用 10 毫升72% H2SO4 浸泡4小时。将 150 毫升 1 N H2SO4 加入混合物，并油浴回流1小时。

将固体用 400 毫升脱矿水冲洗，然后在105摄氏度的烘箱中加热并称重，直到重量稳定不变 。最后，将固体加热至灰化，并称重。以下是半纤维素、纤维素和木质素的百分比确定方法：

燃料球样品的元素组成是指常见的有机元素，包括碳（C）、氢（H）和氧（O）。分别使用方程（4）、（5）和（6）以95%的置信水平估计这些元素的含量。这种评估主要依赖于生物质样品的近似分析结果。

本研究采用的模型是使用从实验过程中提取的相关数据样本开发的。所选的输入变量是废物燃料球的近似分析，包括灰分含量、水分含量、固定碳和挥发物质，而燃烧特性被设定为输出变量。

本研究开发了一种基于-反向传播的人工神经网络，以研究协变量与响应之间的关系。

LMBP-ANN模型的训练是通过更新初始权重直到满足某些停止准则来实现的，否则将丢弃新权重，同时学习率参数会逐渐减小。对于每个训练数据，使用方程（7）进行偏置和权重的更新。

自适应神经模糊推理系统

本研究使用自适应神经模糊推理系统，建立了原始银色蔓荆废物燃料球的物理特性和燃烧性能模型。

ANFIS框架将人工神经网络的数值功能和模糊逻辑的语言术语自适应地集成在一起。ANFIS框架采用了混合学习技术，即反向传播梯度下降法和最小二乘法，用于更新隶属函数。

它由5个层次组成，分别是模糊化层、乘积层、归一化层、去模糊化层和求和层。在第一层，即模糊层，计算每个节点处输入和输出函数的隶属度。在第二层计算输入信号在每个层次上的乘积。

表2：ANN模型的参数

在归一化层，输出是该节点的激活强度与其他节点的激活强度之和的分数。归一化层的信号与去模糊规则的函数相乘。

我们通过使用求和函数，所有层次上的信号相加，从而在求和层次上估计总输出。聚类是神经模糊建模中的一个重要要求，用于将数据点分为相似的模糊簇，分配隶属函数并生成数据的模糊推理系统结构。

我们通过比较实验值和预测值，并使用相关的统计指标，来评估开发的ANFIS和LMBP-ANN模型在预测抗压强度和热值方面的能力。

我们通过使用均方绝对百分比误差平均绝对偏差、均方根误差和相关系数来测试模型的性能，并根据方程（8） - （11）计算得出最佳模型。

纤维基质的化学改性和破坏与煤球的容重抗压强度

未经处理的 样品和碱预处理样品的破坏结构和木质纤维素组成。在记录的木质素含量方面，UCAB和TCAB之间存在显著可观的差异。

UCAB的平均木质素含量为13.16±0.01%，TCAB的平均木质素含量为11.77±0.27%。

而UCAB和TCAB的半纤维素含量分别为3.82±0.25%和3.56±0.03%，两者之间的差异也具有统计学意义。

图2：本研究中ANN模型的架构框架

脱木质素会增加纤维基质的纤维素含量。这是由于TCAB的纤维基质的纤维素含量（12.87±0.10%）相较于UCAB的纤维素含量（11.43±0.14%）有所增加。

因此，可以推测 废弃物的碱预处理导致了纤维基质的破坏，这在生物质样品的木质素含量上表现出来，并伴随着纤维素组分的增加，相较于未处理样品。

固体生物燃料的容重和抗压强度对于孔隙度和湿度含量具有影响，这是由于煤球的粘附性和耐久性的改善。这些特性进一步影响了生物质材料的点火传播特性。

图3：ANFIS的架构框架

由于容重值的增加，抗压强度也会增加，因此容重和抗压强度被认为是直接成比例的。在记录的处理（TCAB）和未处理（UCAB）煤球样品的容重和抗压强度值方面，存在显著差异。

煤球的容重越高，抗压强度越高。这对TCAB的点火传播具有积极的影响，在TCAB中记录了平均值为1.40±0.15 cm/s的点火传播速度，相比之下，UCAB的点火传播速度为1.15±0.50 cm/s。

这些现象归因于通过皂化反应减少或消除了纤维基质内的分子间酯交联，导致纤维直径的减小。

皂化反应

废弃物分析与灰分、水分含量

我们分析评估了任何生物质样品中碳（C）、氧（O）和氢（H）的质量分数百分比。

氧被报道为对任何固体生物燃料的燃烧性能产生负面影响，因为它与一些碳和氢发生反应，产生CO、H2O、酚类化合物等。

然而，在记录的O值中，UCAB和TCAB之间存在显著差异，分别为42.05±0.12和41.84±0.04 %wt。TCAB的平均H和C值分别为5.73±0.05和47.33±0.10 wt%。

表3：为ANFIS模型指定的参数

尽管稍微高于UCAB的值，但UCAB的H值为5.73±0.45 wt%，C值为47.85±0.01 wt%。UCAB的H质量百分比与其处理后的对应物相同，因此在95%的置信水平下记录了一个零p值，表明处理和未处理之间无显著差异。

近似分析包括确定以下参数：灰分含量 ，水分含量 ，挥发物 、固定碳含量和热值有助于了解生物质中隐藏的潜力以及如何将其正确利用作为替代能源。

图4：(a) 由 废弃物制成的煤球样品；(b) 青色植物（ ）的破坏/脱木质素方案

本研究中，对未经处理和处理后的 生物质样品进行了近似分析。MC决定了煤球样品中水分的含量，即煤球的湿度或干燥程度。

高水分含量值是不可取的，因为据报道它会对生物质的燃烧特性产生负面影响。此外，MC值对任何固体生物燃料的货架寿命、耐久性和机械强度都具有显著影响。

此外，任何生物质样品的灰分是指在固体燃料燃烧后所剩下的不可燃无机残留物的总和。评估燃料的灰分含量是必要的，因为其值可以提示通过环境污染可能导致的潜在健康危害，这是由于生物燃料的燃烧而产生的。

表4：未经处理和碱预处理的卷心菜煤球样品的物理特性和燃烧性质。

研究表明，灰分含量的可容忍范围应在5%至20%之间。这简单地表明，可燃生物质的灰分含量越低，质量越好。

数据是使用Graph Pad、Prism和T-检验的三个重复品的平均值（n = 3）±标准误差（SE）。在p < 0.05的显著水平下进行统计分析。UCAB代表未经处理的 煤球样品，TCAB代表碱处理的 煤球样品：*表示显著差异；**表示无显著差异。

TCAB和UCAB的原始样品和煤球样品的灰分含量 (AC) 和水分含量 (MC) 观察到了相同的趋势，如表6和表7所示。

表5：对未经处理和碱预处理的 废弃物进行终极分析。

因此，在p < 0.05的显着水平下，与原始样品相比，TCAB的平均AC值记录为3.88±0.14，而UCAB的平均AC值为4.21±0.20%。

而TCAB记录了2.84±0.56%的最低值，而UCAB为3.49±0.02%。尽管如此，煤球样品的MC值略高于原始样品，这可能是由于粘合剂中的水分含量与煤球样品没有化学键合所致。

尽管如此，在本研究中记录的煤球的MC值明显低于15%，这是适合固体生物燃料粘附的可接受值。

这表明，处理和未经处理的原始样品和煤球，均被视为适用且耐久的良好生物质，可用作固体燃料。

挥发性物质和固定碳的热值

燃烧挥发性物质后可得到的可燃碳的百分比组成，被称为固定碳。其值决定了生物质样品在燃烧过程中的热发生能力。

挥发性物质和固定碳是两个重要参数。因为对于任何潜在的燃料来说，要成为一个适合的替代能源来源，挥发性物质的值必须减少，而固定碳的含量值必须相应增加。

煤球样品的固定碳值相对较高，TCAB为28.88 ± 0.10% ，UCAB为26.35 ± 0.25%，相应地，TCAB和UCAB的挥发性物质含量较低，分别为68.28 ± 0.02%和70.16 ± 0.44%。

表6：未经处理和碱预处理的 原始废弃物的近红外分析和热值。

这些数据是使用Graph Pad、Prism和t-检验对三个重复品进行的平均值（n = 3）±标准误差（SE）计算得出的。

UCAB代表未经处理的 煤球样品，TCAB代表碱处理的 煤球样品；Ash代表灰分含量；MC代表含水率；VM代表挥发性物质；FC代表固定碳；CV代表热值。*表示显著差异；**表示无显著差异。

而未经处理的原始样品的平均固定碳值分别为22.66 ± 0.10%和20.59 ± 0.01%。UCAB的挥发性物质含量非常高，为75.20 ± 0.02%，与之相对应的是最低的固定碳值。

数值对比

在本研究中，通过对比表6可以看到，TCAB的平均记录值为12.79 ± 0.25 MJ/Kg，而UCAB的平均记录值为11.38 ± 0.20 MJ/Kg，二者之间在p < 0.05的水平上存在显著差异。

所记录的热值与前述的TCAB较高的固定碳值、较高的终极分析碳含量（47.85 ± 0.10 wt %）以及在TCAB的EDXRF谱图中大约900个碳计数一致。

表7：未经处理和碱预处理的 废弃物煤球的近红外分析和热值。

颗粒燃料的环保性质

图5a-b和表8中展示了未经处理和碱预处理的 煤球样品的元素组成，包括Ni、Pb、Cu、Zn、Si、S、Bi、Nb等潜在毒性元素。

环境中存在PTE主要是人类活动造成的，其中化石燃料燃烧、固体燃料和其他燃料用于工业和家庭能源生产是主要因素。

PTE在高浓度下具有化学稳定惰性，可能导致眼部、呼吸系统和皮肤疾病。通过对比，发现UCAB中的铅（Pb）和硫（S）的含量分别为3.293％和0.212％，而在TCAB中分别降低到1.425％（Pb）和0.145％（S）。

图5：展示未经处理的煤球样品的EDXRF光谱图（a）和经处理的煤球样品的EDXRF光谱图（b）

与世界卫生组织和世界表面岩石平均值参考值相比，煤球样品中重金属含量极低，这些参考值由报告的沉积物重金属含量而得出。

碱预处理对PTE的浓度产生了影响，与UCAB相比，处理样品中PTE的浓度有所改变。此外，结果还证实了TCAB煤球样品的灰分含量降低至2.84 ± 0.56％，固定碳、热值、碳价值的改善，以及近红外分析、元素分析和EDXRF分析中的高碳计数。

这表明，生物质样品的碱预处理不仅提高了煤球样品的物化可燃性，还改善了其环境友好性。

煤球样品的表面化学性质与表面形貌

未经处理样品和经处理样品中，氢键结合羟基的拉伸振动频率分别为3570 - 3200 cm^-1。此外，在1055 - 1000 cm^-1的范围内，观察到了C-O伸展吸收峰，表明存在纤维素、半纤维素和木质素。

然而，在去除木质素的样品中，UCAB的振动C-O伸展从1010 cm^-1移到了1006 cm^-1，这是纤维基质的化学改性结果，与处理生物质样品的木质素含量较低的分析结果一致。

UCAB的C-O振动频率较弱，是由于C-O键的极性较小，与TCAB中氧原子和取代钠原子之间较大的电负性有关。

表8：EDXRF显示未经处理和碱预处理的卷心菜煤球样品的元素组成

未经处理样品呈非致密、稍微散乱和类似薄片的形貌。而在经过NaOH改性的样品中观察到了均匀、牢固的表面和统一大小的纤维结构。

因此，这表明TCAB富含矿物质，具有紧密的多孔纤维基质、高热值和低灰分含量。

模型训练使用了70%的数据样本，而剩下的30%用于测试模型的准确性。这样做是为了确保训练模型使用了大量的数据集。这使得模型能够学习输入和输出变量之间的非线性关系。

图6：生物燃料的表面化学特性；（a）UCAB和（b）TCAB的FTIR光谱。

为了确保模型不会因为训练时间限制，而收敛到局部最小值，我们允许了无限的训练时间。这意味着训练过程会持续进行，直到达到满意的性能水平，而不设定具体的时间限制。

在构建模型之前，我们使用方程（12）对训练数据进行了归一化处理，以确保它们在建立模型之前处于相同的范围内。

对于压缩强度，我们进行了多次训练的尝试，以获得最低误差和最高准确度的最优ANFIS和LMBP-ANN模型。

确保避免过拟合和欠拟合，以确保最优模型学习数据而不是仅仅记住数据，在模型测试阶段失败。

在测试和训练阶段，最优ANFIS和LMBP-ANN网络的统计指标结果如表格10所示，以压缩强度为例。

在训练阶段，ANFIS的均方根误差值低于LMBP-ANN（ = 0.0077 < -ANN = 0.0084），在测试阶段也是如此（ = 0.0088 < -ANN = 0.0098）。

表9：处理过和未处理过的 废弃物燃料颗粒的傅里叶红外吸收值

因此，在训练数据中，预测误差最小，然而在预测和实际拉伸强度之间的误差与训练数据相比稍微大一些。

对于ANFIS和LMBP-ANN模型，测试数据集和训练数据集之间的平均距离较低，因此模型的测试阶段比训练阶段的变异性较小。

对于焦热值，表格11显示了ANFIS和LMBP-ANN模型的性能指标结果。根据ANFIS模型和LMBP-ANN模型的最小平均绝对百分比误差（MAPE），所有ANFIS和LMBP-ANN模型的准确度在99.1%到98.6%之间，无论是在测试还是训练阶段。

图7：(a) UCAB和(b) TCAB的扫描电镜图像。

这些值是合理的，因为它们显示了实验值和预测值之间的可接受的适配度。

根据均方根误差值，模型训练的性能顺序为：ANFIS- > LMBP-ANN-。研究结果表明，在所有研究的试样中，经过处理的 废弃物颗粒表现出了更好的测试参数。

记录的固定碳平均值较高，为28.88 ± 0.10%，堆积密度为0.59 ± 0.20 g/cm3，热值为12.79 ± 0.25 MJ/kg，灰分含量较低，为2.84 ± 0.56%。

表10：压缩强度模型的性能指标。

处理后的样品铅和硫的百分比组成降低，分别为1.425%和0.145%。

对于经过碱预处理的样品与未处理的样品相比，振动C-O伸缩从UCAB中的1010 cm-1位置移动到碱预处理的样品(TCAB)中的1006 cm-1位置，扫描电镜图像证实了表面的改性。

表11：焦热值模型的性能指标。

经过多次训练试验，得到了具有最小误差和最高准确度的ANFIS和LMBP-ANN模型，在测试和训练阶段的值范围为99.1%到98.6%之间。

这表明实验数据与预测值之间有很强的一致性，非常少的误差。此外，训练（ = 0.9684和-ANN = 0.9365）和测试（ = 0.9323和-ANN = 0.9451）得到的决定系数值接近于1，从而确定了模型训练和预测的有效性。

图8：(a) 使用压缩强度测试数据进行模型测试；(b) 使用焦热值测试数据进行模型测试

ANFIS和LMBP-ANN模型的结果，支持了碱预处理 废弃物，产生环保的固体生物燃料，具有改善的热能释放和更好的可燃性。