Pengembangan Model Stoikiometri untuk Prediksi Gas Produser Hasil Gasifikasi Biomassa Menggunakan Analisis Kesetimbangan Termodinamika

Abstract

Disertasi ini menyajikan hasil penelitian simulasi numerik “Pengembangan Model Stoikiometri untuk Prediksi Gas Produser Hasil Gasifikasi Biomassa Menggunakan Analisis Kesetimbangan Termodinamika”. Fokus penelitian adalah mengembangkan model kesetimbangan termodinamika stoikiometri dengan faktor koreksi untuk konstanta kesetimbangan reaksi. Terdapat empat tahapan yang dilakukan untuk mengembangkan model prediksi gas produser hasil gasifikasi biomassa. Tahap pertama. META Analysis Produksi Syngas Gasifikasi Biomassa. Metode PRISMA dan meta analysis digunakan untuk mengetahui pengaruh komposisi biomassa, jenis reaktor (downdraft, fluidized bed reaktor (FDR), updraft), agen gasifikasi (udara dan uap), dan temperatur terhadap produksi syngas. Terdapat sembilan jenis biomassa yang terdiri atas yaitu corn, rice husk, coconut shell, palm kernel oil, limbah kayu (termasuk woodchips, wood pellet, sawdust dan woodchar) dan MSW. Metode analisis menggunakan pendekatan analisis statistik maximum-minimum, polynomial regresi dan surface response, t-test, dan one-way ANOVA. Dengan metode maksimum-minimum diperoleh produksi syngas yang optimal menggunakan gasifikasi udara dapat dikontrol oleh sifat biomassa (O/C, VM, FC, HC, dan kadar abu). Biomassa yang dapat digunakan untuk mendapatkan hasil maksimum adalah woodchips, sawdust, dan MSW pada gasifikasi udara, serta palm kernel oil dan sawdust pada gasifikasi uap. Pada gasifikasi udara atau uap, jika temperatur naik maka produksi syngas naik. Menggunakan udara sebagai agen gasifikasinya, temperatur konstan, jika ER naik maka produksi syngas turun. Pada gasifikasi uap pada temperatur konstan, jika S/B naik maka produksi syngas naik. Oleh karena itu, produksi syngas optimal menggunakan gasifikasi uap dapat didorong secara efektif oleh nilai S/B. Model regresi polinomial yang dikembangkan dari data ekperimen belum dapat memprediksi hasil syngas yang optimal dari seluruh biomassa yang ditinjau dalam penelitian ini. Visualisasi model menggunakan RSM menunjukkan tiga bentuk optimasi yaitu optimasi maksimum, minimum dan saddle-point tergantung pada agen gasifikasi dan jenis reaktor. Hasil t-test dan one-way ANOVA, gasifikasi udara dari MSW dan wood pellet, serta gasifikasi uap dari wood pellet dan sawdust, dapat dilakukan dengan menggunakan reaktor downdraft, FBR atau reaktor updraft. Tahap kedua. Kajian perkembangan model-model gasifikasi. Model-model gasifikasi yang dikaji terdiri atas 4 (empat) model yakni termodinamika, kinetik, computational fluid dynamics (CFD), Artificial Neural Network (ANN). Model kesetimbangan termodinamika terdapat dua model yakni model stoikiometri dan non-stoikiometri. Keunggulan model kesetimbangan termodinamika adalah modelnya sederhana dan hasil prediksinya maksimum. Keunggulan model kinetik dapat memprediksi komposisi gas secara akurat, profil temperatur pada berbagai zona gasifikasi, dan model distribusi partikel. Akurasi model kinetik tergantung pada dinamika fluida dan bentuk reaktor gasifikasi, parameter kinetik dan transportasi. Model CFD merupakan salah satu model yang dapat memprediksi komposisi gas produser secara akurat dan valid. Keunggulan model 3D antara lain dapat menvisualisasikan model distribusi temperatur, distribusi partikel, letak posisi umpan, tekanan dalam reaktor, aliran massa, pola aliran padat, prediksi komposisi syngas dalam reaktor. Artificial Neural Network (ANN) adalah model metode komputasi yang terinspirasi dari cara kerja syaraf manusia. Struktur model ANN terdiri atas input layer, hidden layer, output layer, bobot dan bias, fungsi aktivitas. Keunggulan model ANN adalah prediksinya akurat, walaupun data yang digunakan terbatas. Prospek kedepan diperlukan Big Data gasifikasi biomassa agar prediksinya lebih akurat sesuai kondisi nyata eksperimen. Tahap ketiga. META Analisis Validasi Model Kesetimbangan Stoikiometri dan Non-stoikiometri. Pada kajian ini masing-masing model dikelompokan menjadi empat klasifikasi, (1) model tanpa pengembangan (SM1 dan NSM1); (2) pengembangan model dimana tar, char dan atau methana dihitung dengan korelasi empiris (SM2 dan NSM2); (3) pengembangan model dangan faktor koreksi (SM3 dan NSM3); (4) model gasifikasi uap (NSM4 dan NSM4). Validasi model menggunakan pendekatan MSE, RMSE dan diagram pencar hasil eksperimen dan prediksi. Pada META analisis ini dikenalkan metode t-test. Prediksi model SM3 dan NSM3 memiliki kesalahan kesalahan RMSE terendah. Nilai RMSE rendah pada model kesetimbangan termodinamika belum tentu prediksinya akurat bilamana diuji dengan metode diagram pencar. Metode uji statistik t-test, dapat digunakan untuk menguji validitas dan akurasi model. Tahap keempat, Pengembangan model stoikiometri dengan faktor koreksi untuk konstanta kesetimbangan reaksi. Pada penelitian ini terdapat 6 enam jenis model dengan 4 variasi koreksi konstanta kesetimbangan reaksi, sehingga terdapat 24 variasi untuk pengembangan model. Pendekatan pengembangan model menggunakan pola pikir model ANN. Tahap pertama menggunakan 47 set data eksperimen dari literatur untuk membentuk model koreksi untuk konstanta kesetimbangan reaksi. Tahap kedua menggunakan 24 set data eksperimen yang berbeda dengan data pada tahap pertama untuk validasi dan akurasi model. Metode RMSE dan uji statistik t-test membuktikan bahwa model stoikiometri dengan faktor koreksi untuk konstanta kesetimbangan reaksi yang dikembangkan valid dan akurat memprediksi komposisi gas CO, CO2, H2 dan N2. Korelasi empiris yang ditawarkan pada penelitian ini, memiliki koefisien determinasi yang tinggi (R2 > 0,8423) untuk memprediksi komposisi gas produser, tar, yield syngas, LHV dan CGE. Kebaharuan yang diketemukan pada penelitian ini (1) Generalized model stoikiometri dengan faktor koreksi menggunakan reaksi steam reforming of tar dapat memprediksi kandungan tar dalam gas produser; (2) Korelasi empiris konstanta kesetimbangan reaksi dengan faktor koreksi untuk reaksi pembentukan metana, water gas shift, methane decomposition, dan steam reforming of tar; (3) Korelasi empiris dengan variabel input O/C, H/C, N/C, ER dan T yang dapat memprediksi komposisi gas produser, tar, yield syngas, nilai kalor, dan efisiensi gasifikasi dengan koefisien determinasi yang tinggi diatas 0.8423; (4) Generalized model prediksi gas produser berdasarkan kesetimbangan termodinamika stoikiometri yang lebih sesuai untuk dimanfaatkan pada kondisi nyata proses gasifikasi biomassa

"Development of a Stoichiometric Model for Predicting Producer Gas Results from Biomass Gasification Using Thermodynamic Equilibrium Analysis" is the title of the research that was done using numerical simulations. The research's goal is to develop a stoichiometric thermodynamic equilibrium model with a correction factor for the reaction equilibrium constant. To develop a prediction model for producer gas resulting from biomass gasification, four stages are carried out. First stage. Meta-analysis of biomass syngas gasification. The PRISMA approach and meta-analysis explored how biomass composition, reactor type (downdraft, FDR, updraft), gasification agents (air and steam), and temperature affect syngas output. Nine biomass categories include corn, rice husk, coconut shell, palm kernel oil, woodchips, pellets, sawdust, woodchar, and municipal solid waste. Maximum-minimum statistical analysis, polynomial regression, response surface, t-test, and one-way ANOVA are used. Biomass properties like O/C ratio, volatile matter (VM), fixed carbon (FC), higher heating value (HHV), and ash content define the best maximum-minimum air gasification method for syngas production. Woodchips, sawdust, and MSW perform well for air gasification, whereas palm kernel oil and sawdust work for steam. These biomass sources may work best. Air or steam gasification temperature boosts syngas generation. Air gasification syngas yield decreases with increased ER at stable temperature. Steam gasification at a particular temperature produces more syngas by increasing the stoichiometric ratio. Thus, the S/B ratio optimizes steam gasification syngas. The empirical polynomial regression model cannot predict the best syngas yields for all biomass species investigated in this work. RSM visualises maximum, minimum, and saddle-point optimization. Type of optimization depends on gasifier and reactor. The t-test and one-way ANOVA reveal that downdraft, FBR, and updraft reactors gasify MSW, wood pellets, and sawdust into air and steam. Second stage. Gasification models are developed in the study. The gasification models explored include thermodynamic, kinetic, CFD, and ANN models. Two thermodynamic equilibrium models exist: stoichiometric and non-stoichiometric. Its simplicity and maximal prediction accuracy make the thermodynamic equilibrium model attractive. Operating parameter conditions, reactor design, and reactor hydrodynamics can be simulated using kinetic models. Kinetic models predict gas composition, gasification zone temperature profiles, and particle distribution accurately. Accuracy of the kinetic model depends on gasification reactor fluid dynamics, form, and kinetic and transport factors. The CFD model predicts producer gas composition accurately and properly. The 3D model allows visualization of temperature distribution models, particle distribution, feed location, reactor pressure, mass flow, solid flow patterns, and syngas composition. AI neural networks (ANN) are modeled after human nerves. ANN models have input, hidden, output, weights, biases, and activity functions. Despite minimal data, the ANN model makes accurate predictions. Future usage of the ANN model requires huge volumes of biomass gasification data for accurate predictions under real experimental conditions. Third stage. META Validation of Stochastic and Non-Stoichiometric Equilibrium Models. This study classifies each model into four categories: (1) Models without development (SM1 and NSM1). Second, we create models (SM2 and NSM2) to determine tar, char, and/or methane using empirical correlation. (3) Creation of models incorporating correction factors (SM3 and NSM3). The fourth step involves creating steam gasification models, notably NSM4 and NSM4. Model validation employs MSE, RMSE, and scatter plots of experimental and prediction data. The META analysis includes the t-test approach. The SM3 and NSM3 models produce the lowest RMSE errors. A low RMSE number does not always imply that the prediction findings are correct when checked with the scatter diagram approach. The t-test hypothesis testing approach can be used to ensure the model's validity and accuracy. Fourth stage. Develop a stoichiometric model with correction factors for reaction equilibrium constants. This study includes six types of models and four variations of reaction equilibrium constant corrections, for a total of 24 model development variations. The model development approach employs the ANN model mindset. The first stage employs 47 sets of experimental data from the literature to construct a correction model for the reaction equilibrium constant. For model validation and correctness, the second stage employs 24 sets of experimental data that are distinct from those used in the first stage. The RMSE method and the t-test statistical test demonstrate that the stoichiometric model constructed with a correction factor for the reaction equilibrium constant is valid and accurate in predicting the gas compositions of CO, CO2, H2, and N2. The empirical correlation developed in this research has a high coefficient of determination (R2 > 0.8423) and can predict the composition of producer gas, tar, syngas yield, LHV, and CGE. The novelties found in this research are : (1) The application of a generalized stoichiometric model for the steam reforming of tar reactions that include a correction factor, so enabling precise prediction of the tar concentration in the producer gas. (2) This study examines the empirical relationship between the reaction equilibrium constant and the correction factor for four reactions: methane creation, water gas shift, methane decomposition, and steam reforming of tar. (3) There exists a robust correlation among the variables O/C, H/C, N/C, ER, and T, which may be utilized to estimate the composition of producer gas, tar, syngas yield, calorific value, and gasification efficiency. The correlation has a determination coefficient greater than 0.8423. (4) This is a producer gas prediction model that is based on stoichiometric thermodynamic equilibrium. It is designed to be more appropriate for usage in the actual conditions of the biomass gasification process.