Assessment and optimization of several upgrading techniques to improve the quality of pyrolytic bio-oil from black spruce biomass
Notice bibliographique
Résumé
In places like Quebec, with a long winter, the use of fossil fuels for heating applications, besides emitting large amounts of GHGs, has also brought economic problems to greenhouse owners because of its high cost over long periods of time.It is therefore imperative to develop a biofuel, such as pyrolytic oil, that can be used in heating boilers at a lower environmental and economic cost.A standard (ASTM D7544) has been developed to regulate the quality of pyrolytic oil or bio-oil to be used in stationary combustion systems.One of the main parameters established is the water content in the oil, since this can influence other properties of the bio-oil such as viscosity, calorific value, density, and acidity.The aim of this doctoral research project was to produce a pyrolytic oil capable of being used in heating applications and to offer the first step towards the chemical extraction process, by analyzing and evaluating the chemical composition of the feedstock, the operating conditions under which the pyrolysis is performed, and the type of condensation system used to collect the bio-oil.A semi-pilot vertical auger pyrolysis reactor designed by IRDA and CRIQ was selected as the technology to produce bio-oil, using black spruce as feedstock given its high availability in Quebec.As a first stage, the effect of the operational variables of the fast pyrolysis on the water content in the oil as well as its yield was studied.Four variables were selected from literature review and preliminary experiments.As a result, the optimal conditions obtained allowed the production of a bio-oil with one of the lowest water contents (16.8 wt.%) and dissolved solids content (0.1 wt.%) published for auger reactors.The second stage was the combination of the microwave-assisted hydrothermal (MHT) pretreatment with the optimal operational variables of fast pyrolysis obtained previously, aiming to evaluate and optimize the effect of this treatment on the quality of the hydrochar and, consequently, on the quality of the bio-oil.The optimization of this pre-treatment was targeted to minimize both hemicellulose and ash content responses.As a result, the pretreated biomass or hydrochar at optimal conditions showed a significant decrease in the ash content by 58% and 12.5% in the content of hemicellulose.By pyrolyzing this hydrochar, a higher total bio-oil yield was obtained, which increased by 24% and a reduction of 35% in moisture content (10.5 wt.%) was achieved.V cendres.En conséquence, la biomasse ou l'hydrochar prétraité dans des conditions optimales a montré une diminution significative de la teneur en cendres de 58% et de 12,5% de la teneur en hémicellulose.La pyrolyse de cet hydrochar a permis d'obtenir un rendement total en biohuile plus élevé, qui a augmenté de 24 %, et une réduction de 35 % de la teneur en humidité (10,5 % en poids).Enfin, la troisième étape de cette recherche a consisté en la conception et l'évaluation d'un système de condensation fractionnée.Deux et trois étapes de condensation ont été évaluées avec un profil de température décroissant pour évaluer l'efficacité de la condensation en fonction du nombre d'étapes et des températures utilisées.Les résultats ont montré une augmentation de l'efficacité de condensation de 35% en ajoutant le troisième étage de condensation.Dans l'ensemble, on a obtenu des modèles d'optimisation statistique qui prédisent les valeurs des variables les plus critiques de la biomasse et des conditions d'exploitation pyrolytique qui affectent la qualité de la biohuile, et qui peuvent être reproduits pour différents types de biomasse.Ce modèle offre également des méthodes efficaces pour la séparation de la biohuile en différentes fractions, qui serviraient de première étape dans l'extraction de produits chimiques d'intérêt.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».