ارزیابی ارزش حرارتی سوخت زیستی تولیدی از سامانه هیبرید خورشیدی-دیزل زیستی در شرایط مختلف آب و هوایی به کمک روش برخط دی‌الکتریک

نوع مقاله: مقاله پژوهشی

نویسندگان

1 مهندسی سیستمهای انرژی، دانشکده فناوریهای نوین، دانشگاه علم و صنعت ایران

2 دانشگاه علم و صنعت ایران

3 دانشگاه تهران

چکیده

با تغییر شرایط تولید بیودیزل ویژگی‌های این سوخت نظیر ارزش حرارتی تغییر می‌کند، اما ارزیابی هریک از خصوصیات بیودیزل با روش‌های معمول پرهزینه و وقت‌ گیر است. هدف از این پژوهش ارزیابی یک سامانه نوین به­ منظور تشخیص ارزش حرارتی بیودیزل به­ کمک حسگر برخط دی‌الکتریک در کمترین زمان و بیشترین دقت است. بیودیزل ترانس‌استریفیکاسیون روغن پالم به ­کمک گرمای اتلافی کلکتور خورشیدی سهموی-خطی تولید برق به­ علت تغییرات شرایط آب­ وهوایی در دماهای متفاوتی سنتز شد. علی­رغم نصب سیستم کنترل دما برای سامانه هیبریدی کلکتور خورشیدی-بیودیزل، به­ علت نوسانات دمای محیط و افت دما، حتی تا زیر دمای تنظیم ­شده کنترلی امکان تثبیت دما وجود نداشت. به­ منظور بررسی ارزش حرارتی، ابتدا، چند نمونه بیودیزل در شرایط مختلف آب­وهوایی توسط سامانه هیبریدی مذکور، به ­عنوان یکی از سیستم‌های انرژی تجدیدپذیر، با هدف کاهش هزینه تولید و همچنین بررسی تغییرات بازده تولید شد. پس از آن، ارزش حرارتی نمونه‌ها محاسبه شد و سپس، نمونه‌ها طی سه مرحله مورد آزمون حسگر برخط دی‌الکتریک قرار گرفت. پس از تحلیل داده‌ها، برای اعتبارسنجی تحلیل توسط تکنیک درخت تصمیم از سه نوع الگوریتم استفاده شد. با توجه به نتایج، روش درخت تصمیم و رگرسیون دارای بالاترین دقت (99 درصد) در مقایسه با سایر روش‌ها بود. البته، با توجه به دقت روش‌ها که به هم نزدیک­اند، تمامی تکنیک‌های انتخاب­ شده پتانسیل خوبی برای ارزیابی ویژگی‌های سوخت بیودیزل داشتند. نتایج حاکی از آن است که حسگر ساخته­ شده توانسته است ارزش حرارتی سوخت تولیدی را با دقت خوبی محاسبه کند.

کلیدواژه‌ها


1.   A. Banerjee and R. Chakraborty, "Parametric sensitivity in transesterification of waste cooking oil for biodiesel production-a review," Resources, Conservation and Recycling, 53, No. 9, 2009, pp. 490-497.

2.   C. M. Caruana, "Pollution control drives new interest in biodiesel," Chemical Engineering Process, 84, 2000,  pp. 14-18.

3.   G.Knothe, "Dependence of biodiesel fuel properties on the structure of fatty acid alkyl esters," Fuel processing technology, 86, No. 10, 2005,  pp. 1059-1070.

4.   L. F. Ramírez-Verduzco,  J. E. Rodríguez-Rodríguez and A. d. R. Jaramillo-Jacob, "Predicting cetane number, kinematic viscosity, density and higher heating value of biodiesel from its fatty acid methyl ester composition," Fuel, 91, No. 1, 2012, pp. 102-111.

5.   M. J. Ramos, et al., "Influence of fatty acid composition of raw materials on biodiesel properties," Bioresource Technology, 100, No. 1, 2009, pp. 261-268.

6.   A. Demirbas, "Effects of Moisture and Hydrogen Content on the Heating Value of Fuels," Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 29, No. 7, 2007, pp. 649-655.

7.   B. Sajjadi, A. A. A. Raman and H. Arandiyan, "A comprehensive review on properties of edible and non-edible vegetable oil-based biodiesel: Composition, specifications and prediction models," Renewable and Sustainable Energy Reviews, 63, 2016, pp. 62-92.

8.   S. O. Giwa and et al., "Prediction of selected biodiesel fuel properties using artificial neural network," Frontiers in Energy, 9, No. 4, 2015, pp. 433-445.

9.   R. Piloto-Rodríguez and et al., "Prediction of the cetane number of biodiesel using artificial neural networks and multiple linear regression," Energy Conversion and Management, 65, 2013, pp. 255-261.

10. U. Rashid, and F. Anwar, "Production of biodiesel through optimized alkaline-catalyzed transesterification of rapeseed oil," Fuel, 87, No. 3, 2008, pp. 265-273.

11. J. De Souza and et al., "A close dielectric spectroscopic analysis of diesel/biodiesel blends and potential dielectric approaches for biodiesel content assessment," Fuel, 105, 2013, pp. 705-710.

12. J. C. M'Peko and et al., "Evaluation of the dielectric properties of biodiesel fuels produced from different vegetable oil feedstocks through electrochemical impedance spectroscopy," International Journal of Hydrogen Energy, 38, No. 22, 2013, pp. 9355-9359.

13. M. F. Pimentel and et al., "Determination of biodiesel content when blended with mineral diesel fuel using infrared spectroscopy and multivariate calibration," Microchemical Journal, 82, No. 2, 2006, pp. 201-206.

14. T. Eevera, K. Rajendran and S. Saradha, "Biodiesel production process optimization and characterization to assess the suitability of the product for varied environmental conditions," Renewable Energy, 34, No. 3, 2009, pp. 762-765.

15. A. Zahedi, M. Mirabdoli, and A. Shayan Nezhad, "Commercial optimization of biodiesel production from rapeseed oil as a clean fuel for thermal power plants," Modares Mechanical Engineering, 16, No. 9, 2016, pp. 135-142.

16. A. S. Nejad and A. R. Zahedi, "Optimization of biodiesel production as a clean fuel for thermal power plants using renewable energy source," Renewable Energy, 119, 2018, pp. 365-374.

17. H. Lizhi, K. Toyoda and I. Ihara, "Discrimination of olive oil adulterated with vegetable oils using dielectric spectroscopy," Journal of Food Engineering, 96, No. 2, 2010, pp. 167-171.

18. B. Tudu and et al., "Comparison of multivariate normalization techniques as applied to electronic nose based pattern classification for black tea," Sensing Technology, ICST 2008, 3rd International Conference, Taiwan, IEEE, 2008.

19. L. Breiman and et al., Classification And Regression Trees, New York, CRC press, 1984.

20. M. W. Kattan, and J. R. Beck, "Artificial neural networks for medical classification decisions," Archives of pathology & laboratory medicine, 119, No. 8, 1995, pp. 672-677.

21. M. Ghasemi-Varnamkhasti and et al., "Aging fingerprint characterization of beer using electronic nose," Sensors and Actuators B: Chemical, 159, No. 1, 2011, pp. 51-59.

22. C. Diniz Carvalho and et al., "Determination of the composition of biodiesel-diesel blends using the dielectric constant," Instrumentation Science & Technology, 44, No. 4, 2016, pp. 377-385.