| Sodelavci: | Marko Blagojevič |
| Trajanje: | 36 mesecev 1.3.2026 – 28.2.2029 |
| Šifra: | J7-70260 |
| Vodilni partner: | UL FGG |
| Vodja projekta: | Sabina Kolbl Repinc |
| Ostale partnerske organizacije: | Kemijski inštitut Slovenije Fakulteta za elektrotehniko, Univerza v Ljubljani |
| Finančni vir: |  ARIS |
| Ključne besede: | bioplin/metan, strojno učenje, industrija, metanski potencial, metanski donos, baza metanskih donosov, optimizacija |
Opis:
Projekt si prizadeva za napredek znanosti in prakse na področju obnovljivih virov energije, zlasti v okviru anaerobne digestije (AD) in proizvodnjebioplina. Bioplin je obnovljivi vir energije, ki nastaja z anaerobnim razkrojem organskih materialov s pomočjo mikroorganizmov, pri čemer nastanetametan (CH₄) in ogljikov dioksid (CO₂). Evropska unija je prepoznala pomen bioplina in ga vključila v svoje strateške energetske in podnebne cilje, pričemer ima biometan osrednjo vlogo v načrtu REPowerEU. Cilj EU je do leta 2030 proizvesti 35 milijard kubičnih metrov biometana letno, kar bopomembno prispevalo k prehodu na zeleno energijo in krožno gospodarstvo. Regulativni okviri, kot so RED II, RED III in paket Fit for 55, dodatnopodpirajo ta cilj z vključevanjem bioplina, pridobljenega iz odpadkov. Kljub številnim prednostim pa proizvodnja bioplina še vedno naleti na izzive, kot so kompleksnost in variabilnost substratov, kar otežuje doslednoproizvodnjo metana, ter pomanjkanje natančnih napovednih orodij za ocenjevanje biometanskega potenciala (BMP) oz metanskega donosa (MY).BMP/MY je ključen parameter, ki ocenjuje zmogljivost proizvodnje metana iz različnih organskih materialov v idealnih pogojih. Na vrednosti BMP/MYvplivajo številni dejavniki, kot so vsebnost hranil, TS, pH, temperatura, prisotnost inhibitornih snovi, itd. Projekt se z inovativnim pristopom loteva teh izzivov s kombinacijo eksperimentalnih podatkov, naprednih spektroskopskih tehnik in metodstrojnega učenja (ML). Spektroskopske metode, kot sta Fourierjeva transformna infrardeča (FTIR) in Ramanova spektroskopija, omogočajopodrobno analizo sestave substratov in strukturnih sprememb med procesom AD. Poleg tega strojno učenje ponuja transformativno rešitev zaanalizo kompleksnih podatkovnih nizov, saj razkriva nelinearne povezave med značilnostmi substratov, procesnimi parametri in metanskimi donosi.Ta pristop odpravi potrebo po predhodnih predpostavkah o dinamiki sistema, kar omogoča bolj natančne in robustne napovedi. Osrednji element projekta je nadgradnja baze podatkov Methane Yield Database (MYDB), ki bo z razširitvijo in vključitvijo novih fizikalno-kemijskihter spektroskopskih podatkov znatno povečala svojo vrednost. Z vključitvijo metapodatkov in naprednih algoritmov strojnega učenja projekt stremi krazkrivanju skritih vzorcev in interakcij v podatkih, kar bo omogočilo natančnejše napovedi BMP/MY in optimizacijo procesov AD. Tainterdisciplinarni pristop ima potencial, da postavi nove standarde na področju raziskav AD, hkrati pa ponuja rešitve, uporabne tako v laboratorijskihkot industrijskih okoljih. Projekt je strukturiran v pet delovnih sklopov (DS). DS1 vključuje obsežen pregled obstoječe literature in zbiranje podatkov, s poudarkom na BMP/MY, procesih AD ter naprednih spektroskopskih metodah. Ta začetna faza bo vzpostavila trdno znanstveno podlago za nadaljnje raziskave.DS2 bo razširil in posodobil bazo podatkov MYDB z vključitvijo novih spremenljivk, kot so fizikalno-kemijske lastnosti in spektroskopski podatki. DS3 se bo osredotočil na eksperimentalne meritve BMP/MY in spektroskopske analize za spremljanje strukturnih sprememb substratov. DS4 bo razvijalin validiral napredne modele ML za napovedovanje BMP/MY, pri čemer bo združeval eksperimentalne in spektroskopske podatke iz DS2 in DS3 zaizboljšanje napovedi. DS5 bo poskrbel za upravljanje projekta, koordinacijo med partnerji in učinkovito diseminacijo rezultatov. Pričakovani rezultati projekta vključujejo znatno izboljšano natančnost napovedovanja BMP/MY, kar bo omogočilo optimizacijo upravljanjasubstratov v bioplinarnah ter povečanje učinkovitosti proizvodnje metana. Integracija naprednih orodij in metodologij bo prispevala k širši uporabitrajnostnih energetskih praks. Projekt s tem naslavlja ključne raziskovalne in praktične vrzeli ter postavlja temelje za prihodnje inovacije na področjuproizvodnje bioplina, kar bo podprlo prehod na obnovljive vire energije in krožno gospodarstvo. SLO EN 1/30/25, 9:35 AM ARR
Ključni cilji:
Z vključitvijo interdisciplinarnega pristopa, ki združuje eksperimentalne podatke, spektroskopske tehnike in ML, ima raziskava potencial, da bistvenoizboljša napovedovanje BMP/MY. Uporaba ML modelov in metapodatkov o metanskih donosih za izboljšanje napovedi BMP/MY je za zdaj razmeroma redka. Prednost uporabe ML modelov in podatkov iz baze Methane Yield Database (MYDB) za izboljšanje napovedi BMP/MYje v tem, danaslavlja ključno raziskovalno in praktično vrzel na tem področju. Ta vrzel predstavlja priložnost za inovacije ter vodilno vlogo v znanosti in industriji.Edinstvenost tega pristopa, ki združuje usklajeno in razširjeno bazo podatkov MYDB z ML, je v tem, da takšna aplikacija ML na tako obsežnihpodatkovnih nizih še ne obstaja. Projekt ponuja priložnost za razvoj novih metodologij in pridobivanje novih vpogledov v napovedovanje BMP/MY. Zvključitvijo metapodatkov in naprednih ML algoritmov lahko projekt poveča natančnost in zanesljivost napovedi z razkrivanjem zapletenih povezavmed značilnostmi substratov, procesnimi parametri in metanskimi donosi. V skladu s temi zahtevami je cilj predlagane raziskave:
- Razširiti in posodobiti infrastrukturo obstoječe baze podatkov Methane Yield Data Base (MYDB) (http://methane.fe.uni-lj.si/);
- Znatno povečati kompleksnost osnovnega podatkovnega nabora z dodajanjem novih podatkov in spremenljivk, kot so podrobni fizikalno-kemijski parametri substratov in inokuluma, z uporabo naprednih spektroskopskih orodij (FTIR, RAMAN);
- Določiti in poročati o novih vrednostih metanskega donosa, ki bodo zagotovile referenčne podatke za nadaljnje raziskave in razširitve;
- Izvesti kartiranje obstoječih podatkov na nove, razširjene podatke (vključno z metanskimi donosi, FTIR in RAMAN), da bi zagotovili njihovoskladnost;
- Izvesti analize z metodami strojnega učenja, ki vključujejo metapodatke iz razširjene baze podatkov MYDB, za razvoj napovednih modelovmetanskega donosa za različne substrate in njihovo testiranje na laboratorijski ravni;
- Uporabiti uspešne modele za optimizacijo napovedovanja metanskega donosa v bioplinskih napravah z namenom povečanja učinkovitostiproizvodnje biometana. Integracija eksperimentalnih metapodatkov, fizikalno-kemijskih parametrov substratov in inokuluma, vključno s spektroskopijo (FTIR in RAMAN),bazo podatkov MYDB ter metodami ML, bo omogočila nov in reproducibilen pristop, ki bo omogočil raziskovanje in optimizacijo napovedovanjaBMP/MY ter procesov AD.
Delovni sklopi:
V delovnem sklopu DS1 je glavni cilj vzpostaviti znanstveno podlago za projekt s sistematičnim pregledom literature o BMP/MY, AD, naprednihspektroskopskih metodah, kot sta FTIR in RAMAN, ter metodah ML za analizo podatkov. Pregled literature bo zajel raziskave o anaerobni digestijirazličnih vrst substratov, kot so lignocelulozni ostanki, bioplastika, industrijski in kmetijski odpadki ter komunalne odplake. Poudarek bo napreučevanju kinetike metanogeneze, inhibitorjev in vpliva fizikalno-kemijskih lastnosti substratov. Poleg tega bo v tem sklopu analizirana uporabanaprednih spektroskopskih tehnik in njihova povezava z metanskimi donosnostmi. Na koncu bo WP1 vključeval zbiranje relevantnih podatkov oBMP/MY iz obstoječih baz, kot je MYDB, in drugih raziskav, pri čemer bodo podatki standardizirani za njihovo nadaljnjo integracijo v razširjeno bazo.
V okviru DS2 bo obstoječa baza podatkov MYDB nadgrajena z novimi fizikalno-kemijskimi parametri substratov, inokuluma in rezultatispektroskopskih analiz. V bazo bodo vključeni novi podatki o kemijski sestavi substratov ter spektralni podatki, pridobljeni s FTIR in RAMANspektroskopijo. Rezultat tega delovnega sklopa bo robustna in razširjena baza podatkov MYDB, ki bo omogočala razvoj naprednih modelov ML vnadaljnjih delovnih sklopih.
DS3 se osredotoča na eksperimentalne meritve BMP/MY za nove vrste substratov. Meritve bodo najprej izvedene na čistih polimerih, da sevzpostavi osnovni referenčni okvir. Nato bodo vključeni kompleksnejši substrati. Priprava substratov bo vključevala meritve ključnih fizikalno-kemijskih parametrov, in spektroskopske meritve (FTIR, RAMAN), analize pred in po AD, kar bo omogočilo spremljanje strukturnih spremembsubstratov. Meritve BMP bodo izvedene na napravi AMPTS II, ki omogoča natančno spremljanje proizvodnje biometana v realnem času podnadzorovanimi pogoji. Izmerjene podatke bomo uporabili v modelih ML.
V delovnem sklopu DS4 bo poudarek na razvoju naprednih modelov ML za napovedovanje BMP/MY. Prvi korak bo priprava podatkov, vključno sčiščenjem, normalizacijo in združevanjem fizikalno-kemijskih parametrov, spektroskopskih podatkov in BMP/MY rezultatov iz MYDB. Na začetkubodo razviti osnovni modeli za napovedovanje BMP/MY na podlagi čistih polimerov in različnih algoritmih. V nadaljevanju bodo razviti naprednimodeli, ki bodo združevali kompleksne podatke, vključno z rezultati FTIR in RAMAN analiz, ter preučevali vpliv interakcij med substrati in procesnimiparametri. Validacija modelov bo temeljila na podatkih iz DS3, kar bo zagotovilo njihovo natančnost in robustnost. Na koncu bodo modeli prilagojeniza uporabo v industrijskih bioplinskih napravah, s čimer bo omogočena optimizacija procesov AD in povečanje učinkovitosti proizvodnje biometanater večja zanesljivosti napovedi BMP/MY. Peti delovni sklop vključuje celostno upravljanje projekta, koordinacijo med partnerji in diseminacijo rezultatov.