Projektinformation

Projekttitel:
Självlärande laserbaserad processdiagnostik för optimering av biobaserad värme- och elproduktion
Projekttitel (eng):
Self-learning laser-based process diagnostics for optimizing bio-based heat and electricity production
Project manager:
Alexey Vladimirovich Sepman
Organisation:
RISE Energy Technology Center AB
Projektnummer:
50470-1
Projektstart:
2020-07-01
Projektslut:
2023-05-31
Budget:
ÅrBeviljat
2020803 693 kr
20211 257 385 kr
20221 157 385 kr
2023573 693 kr
Total:3 792 156 kr
Programområde:
Termiska processer, forskningsprogram
Program:
Biokraft – el och värme från termisk omvandling av biobränsle och avfall
Energimyndighetens andel:
65 %
Energimyndighetens handläggare:
Benny Fillman
Ärendesammanfattning:
Syftet med projektet är att utveckla instrument och algoritmer med noggranna realtidsmätningar för att övervaka och kontrollera termiska omvandlingsprocesser baserat på bioenergi. Projektet bedöms av Energimyndigheten bidra till förbättrad processeffektivitet, minskning av förorenande utsläpp, samtidigt som det ökar digitaliseringen inom industrin. Projektet bidrar till programmets mål att omvandling av biobränsle och avfall sker på ett resurs- och kostnadseffektivt sätt med minimal miljöpåverkan.
Ärendesammanfattning (eng):
Variations of operational parameters are one of the most critical uncertainties in practical thermochemical conversion processes that can significantly reduce overall process efficiency. Accurate real-time measurements can help to identify, monitor and control fluctuations; however, conventional analytical instruments often fail to detect these variations with the desired accuracy and temporal resolution. We aim to develop and apply diagnostic tools based on tunable diode laser absorption spectroscopy (TDLAS), direct imaging techniques and artificial intelligence-based (AI) data processing at pilot and full-scale facilities. The objective is to obtain new knowledge and experience on TDLAS-AI in-situ process monitoring for the Swedish bio-based process industry. The expected outcome is the improvement of process efficiency, reduction of pollutant emission, along with increased digitalization in industry.