A DA é um sistema que tem sua natureza complexa, sendo desejável a otimização de processos baseada no desenvolvimento de soluções apoiadas em modelos matemáticos, tanto para fins de simulação quanto controle. O primeiro modelo matemático foi proposto por Andrews e Pearson [9]. Mais recentemente, o ADM1 proposto por Batstone et.al no ano de 2002 [61], é considerado o simulador mais completo para obter dados sobre as reações de um sistema de DA.
A otimização de modelos de DA se torna necessária como uma forma de reduzir custos operacionais e garantir eficiência. Uma forma de otimizar o sistema de DA [34] é o controle de dejetos no biodigestor fazendo uso de algoritmos baseado em um modelo não linear de controle preditivo para controlar a alimentação de substrato em plantas de biogás de grande porte.
A abordagem de Chadwick et al. [22] usa métodos rápidos para caracterizar a composição da biomassa para produção de energia, permitindo a seleção adequada e uma utilização ótima das biomassas associadas as técnicas de conversão de energia. Isso é possível com o uso de técnicas espectroscópicas rápidas tanto para a biomassa quanto para o biogás. Técnicas de quimiometria também podem ser utilizadas para prever o valor do poder calorífico da biomassa e biocombustíveis, podendo ser usadas para melhorar os programas de crescimento de culturas de energia.
O trabalho de Bavutti et al. [14] explora a otimização do processo de DA avaliando a exposição dos biodigestores a luz solar e o consequente aquecimento excessivo dos mesmos. A solução se baseia na implementação de uma cúpula de resfriamento do
biodigestor com a reflexão solar adequadamente escolhida, cuja eficácia foi avaliada através do uso de um código de cálculo especificamente construído e validado por comparação com os dados experimentais.
No aspecto microbiológico, Jabłoński e Łukaszewicz [49] aplicam modelos matemáticos para avaliar o desenvolvimento da comunidade de microrganismos, que são úteis no desenvolvimento de procedimentos confiáveis durante o processo de período de startup.Contudo, a precisão de previsão depende da qualidade de parâmetros de entrada e neste estudo e os testes específicos da atividade anaeróbica foram aplicados para estimar a estrutura da comunidade microbiana.Os dados obtidos foram aplicados como condições de entrada para o modelo matemático de DA. Os valores iniciais de variáveis que descrevem a quantidade de acetato e propionato de microrganismos utilizado poderiam ser calculados. A modelagem com base nessas variáveis, utilizada com sucesso, poderia reproduzir o comportamento de um sistema real de DA.
A pesquisa de Strömberg, Nistor e Liu [89] propõe um sistema que prevê o potencial de gás final avaliando uma fase anterior no processo de DA. Foram avaliados 61 algoritmos diferentes quanto à sua capacidade para essa previsão final e o tempo de degradação exigido com base em dados a partir de 138 testes com vários tipos de substratos. Ao combinar os melhores algoritmos, foi possível prever, com uma raiz relativa do erro médio quadrático um índice inferior a 10%, seis dias após o início da experiência.Os resultados deste estudo indicam que existe uma possibilidade de encurtar o tempo dos testes através da combinação de teste de laboratório e algoritmos de previsão inteligentes.
A pesquisa de Godin et al. [37] analisa a confiabilidade de diferentes modelos para predizer o potencial de gás utilizando várias biomassas vegetais. A base do estudo foi desenvolvida comparando um conjunto de dados de múltiplas espécies. O modelo de previsão mais confiável é baseado no espectro de infravermelho próximo. Sendo um modelo de regressão não linear, foi capaz de estimar quantitativamente, de forma rápida, barata e fácil. O estudo constatou que as predições de modelos não lineares são mais confiáveis que as predições de modelos lineares.
García-Gen, Rodríguez e Lema [36] propõem um método de otimização baseado em programação linear com o objetivo de maximizar a conversão de biomassa em CH4 e, ao mesmo tempo, manter o funcionamento do sistema de DA de forma eficiente. O método proposto utilizou múltiplos substratos cujo potencial para aumentar a produtividade de biogás faz uso das características complementares entre eles. Este, incorpora informação experimental e heurística para definir a função objetivo e as restrições lineares. As inibições do sistema de DA são continuamente adaptadas através do relaxamento dos limites de restrição, de tal modo que essa otimização melhora os resultados na produção de biogás. A estratégia de controle para melhorar o desempenho da DA é feita em termos de produtividade de CH4, qualidade do substrato que é digerido e estabilidade do processo, sendo feita em forma de um circuito fechado avaliado continuamente.
O controle da temperatura do DA, a concentração inicial de substrato e a relação N:C são descritas por Yan et al. em [103]. Este estudo investigou a possibilidade de melhorar a biogaseificação de biomassa em estado sólido fazendo um controle da temperatura, e medindo a relação N:C. Os resultados apresentaram relação direta dessas variáveis com a produção de biogás, uma vez que a palha apresenta uma alta concentração desses dois elementos e um desequilíbrio dessa relação pode inibir a produção de biogás. Também foi feita a análise da vida microbiana com o uso de sequenciamento de alto desempenho, o que indicou que as comunidades microbianas consistiram principalmente de Methanobacteria, Bacteroidia, Clostridia, Betaproteobacteria, e Gammaproteobacteria, destacando a importância do controle de temperatura durante a DA.
Markowski et al. [69] apresentam um estudo da influência dos parâmetros geométricos do biodigestor no desempenho da produção de biogás de baixa temperatura. A produção total de biogás proveniente do reator teoricamente otimizado no modelo de
cálculo foi 1,6 vezes maior do que o derivado para o biodigestor experimental. A quantidade de CH4 no biogás aumentou de 64,5% para 71,2% após a otimização, enquanto que a fração de CO2 no biogás diminuiu de 34,5% para 27,8%.
Tabela 8 – Resumo dos trabalhos relacionados sobre otimização em DA
Autor Objetivo da otimização Método Tempo
[34] Alimentação de dejetos no DA Algoritmos não lineares de controle preditivos 210 d [36] Alimentação de dejetos no DA Programação linear 32-40 d [22] Qualidade do dejeto Espectrometria e quimiometria n/d [14] Análise de materiais de revestimento termico Regressão 360 d
[49] Vida microbiana Regressão 15 d
[89] Produção de CH4 Algoritmos de predição 25 d
[37] Produção de CH4 Regressão n/d
[103] Produção de biogas Regressão n/d
[69] Análise de reator com diferença de temperatura Regressão e MONOD 60 d
Em relação a otimização dos sistemas de DA da Tabela 8, esta Tese teve como um dos seus objetivos a análise da vida microbiana e outro que foi a produção de biogás através do controle de temperatura. A análise microbiana apresentou a evolução da vida bacteriana dentro do digestor. O controle de temperaturas foi utilizado para prever o resultado da produção de CH4 e CO2, aplicados ao modelo matemático proposto.
4 EXPERIMENTAÇÃO PRÁTICA
Para propor o modelo de análise multivariada, foi conduzido um experimento com o uso de um sistema de biodigestão real de pequeno porte. O experimento teve duração de 18 dias, com o sistema recebendo uma carga inicial de 8000 litros de dejetos bovino com uma proporção de matéria seca de 6%, sem reposição de dejetos durante o experimento.
Com o sistema abastecido, foi feita a coleta de amostras do 1º ao 18º dia, com 3 amostras diárias, coletadas em profundidades diferentes do digestor. Estas amostras foram congeladas a uma temperatura de -192°C em tanque de nitrogênio líquido. O cronograma de coletas está descrito na Tabela 9, destacando o dia da semana, a data e a identificação de referência (dia 1, D1, por exemplo) a cada amostra diária.
Tabela 9 – Cronograma de coletas.
D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 D13 D14 D15 D16 D17
seg ter qua qui sex sáb dom seg ter qua qui sex sáb dom seg ter qua 15/6 16/6 17/6 18/6 19/6 20/6 21/6 22/6 23/6 24/6 25/6 26/6 27/6 28/6 29/6 30/6 1/7
Juntamente com a coleta das amostras dos dejetos, foi monitorada a temperatura interna do biodigestor em 3 profundidades, além da temperatura externa. Além das temperaturas, também foram coletados o valor do pH e 4 amostras de gases para avaliação da proporção de CH4 e CO2.