مطالعه‌ي فرآيند گرماكافت بستر ثابت روي چوب هرس درختان شهري در جوّ اكسايشي

The study of fixed bed pyrolysis process on urban pruned woods of trees in oxidative atmosphere

در اين تحقيق اثر حضور اكسيژن بر فرآيند گرماكافت ضايعات چوب مورد بررسي قرار گرفت. نمونه هاي مكعبي در ابعاد 2/5 سانتي متر در دماهاي 300 و 400 درجه سيلسيوس در جو اكسايشي گرماكافت شدند. دماي سطح و مركز نمونه‌ها اندازه‌گيري و كسر اتلاف جرمي نمونه ها محاسبه شد. نتايج نشان داد كه افزايش دما باعث افزايش سرعت گرماكافت و افزايش نرخ تغييرات دما مي شود. همچنين دماي سطح نمونه ها در گرماكافت اكسايشي به‌طور متوسط 100 درجه سيلسيوس بيشتر از گرماكافت در جو بي اثر است كه به معني كاهش مصرف زمان و به تبع آن كاهش استفاده‌ي انرژي در فرآيند گرماكافت اكسايشي مي باشد. با توجه به ماهيت غيرخطي فرآيند گرماكافت ضايعات چوب، شبكه هاي عصبي مصنوعي با سه فاكتور زمان، اندازه ي قطعات و دماي واكنش به عنوان متغيرهاي ورودي به كار گرفته شد. نتايج حاصل از مدل سازي توزيع دما و كسر اتلاف جرمي به ترتيب با ضريب همبستگي 0/9998 و 0/9991 تطابق خوبي با نتايج تجربي داشت.

The purposes of this article are studying the effects of oxygen presence on waste wood pyrolysis process in order to produce biochar. To reach the goal, cubic samples of size 2.5 cm pyrolized at 300 and 400 °C. The surface and center temperatures of samples were measured and their mass losses were calculated from the ratio of pyrolized mass to initial mass of the sample. increase in temperature caused increase in the rate of pyrolysis and temperature changes, but decrease the final efficiency of biochar. Moreover, the surface temperature of samples in oxidative pyrolysis compared with the pyrolysis in an environment containing inert gasses, is about 100 °C more, i.e. a reduction in time consumption and consequently in energy use during the oxidative pyrolysis process. According to the nonlinear nature of waste wood pyrolysis process, artificial neural network (ANN) was used to model the temperature distribution and the mass loss of samples. The results of ANN were in a good agreement with the experimental consequences and showed the correlation coefficients of 0.9998 and 0.9991 in modeling of temperature distribution and mass loss of samples, respectively.