Συστημικό υπολογιστικό πλαίσιο για την αποτίμηση αειφορίας και την υποστήριξη αποφάσεων σε αρχικά στάδια ανάπτυξης και σχεδιασμού βιοδιυλιστηρίων

Abstract

Purpose The concept of sustainable development has gained significant ground in process design. The basis of decision making along the process development stages has been enlarged from the traditional economic criteria to incorporate also other important considerations such as environmental and social aspects. Production processes from renewable sources (e.g. biomass feedstocks) appear as competitive options to the conventional fossil-based equivalents, making the assessment of their sustainability performance a necessary tool for their establishment as technologically mature choices. On top of that, the innovative character of bio-based production, and therefore, of data availability and access on detailed process modelling, is a challenging point for decision makers to move towards this direction.The scope of this PhD thesis is to support decisions in early stages of the development and design of biorefineries, on the basis of sustainability criteria with regard to their production processes over a range of impacts. Representative examples of impacts considered in this research work are the use of resources (such as water and energy), the environmental degradation of ecosystems (eutrophication, acidification, etc.) and the impacts on human health.Life Cycle Assessment (LCA) is generally considered as a suitable methodology for the evaluation of the LCA metrics of processes. However, it requires large amount and often inaccessible process data at the early design stages. The present study provides an approach to streamline LCA for a broad set of biomass process chains. The proposed method breaks away from conventional LCA work in that its purpose is to support decision at early stages, assuming minimal use of data available and pointing to the most dominant LCA impacts, thus providing useful feedback to process design.The study aims at the development of a framework for estimation of LCA metrics of bio-based chemicals and fuels using information which can be accessed in early design stages. Thus, assessments can be conducted “ahead of (detailed) design” without detailed process inventories, (i.e. mass and energy balances and emissions) and without models as process simulators and LCA software tools.The innovative element of the present computational framework is that it supports decision making that can direct design choices in early stages, using methods such as decision trees that give approximate estimates, in the range of a class label, through a sequence of rules and/or neural networks when a numerical estimation is necessary, avoiding the analytical and time-consuming steps to assess the possible design options which are the current practice. Instead, conventional methods start by simulating the individual production processes using simulation tools (e.g. Aspen Plus), analyze flows, compile inventory tables and use LCA softwares (e.g. SimaPro, Umberto ).Materials and Methods The proposed computational framework employs decision trees and neural networks as modeling techniques, which are able to analyze data and identify patterns and parameters, which formulate the environmental profile of biorefinery systems. Decision trees are used which form “if-then rules”, using a set of critical parameters of the process chain with respect to various environmental impacts. The models classify products into three classes, namely having low, medium and high environmental impact. Neural Networks were also employed as a commonly used method for mapping relations among input and output data and creating prediction models.The primary information for training the models refer to the thirty-three products produced from various synthesis paths which represent the most important groups found in literature. Products are derived from 52 unit processes which form 92 study systems developed from the appropriate combination of these unit processes producing products of interest. Twenty-three LCA metrics were selected as target attributes (one for each model), according to the ReCiPe and the Cumulative Energy Demand (CED) methods which provide a wide range of metrics for various environmental issues such as climate change, eutrophication, acidification, etc., and the non renewable fossil energy demand. Target attributes for the corresponding products were estimated using the LCA method according to the ISO 14040 for each study system. The functional unit, the reference flow on the basis of which the assessment and the overall analysis is referred, is 1kg of product. Values of LCA metrics of each observation of the dataset are also provided for three allocation approaches (mass, market price, substitution).Descriptor variables refer to the molecular structure of the product of interest and process-chain related variables corresponding to chemistry, complexity and generic process conditions (e.g. process chain temperature ranges, efficiency factors etc., number of processing steps for the synthesis of the final product). Descriptor variables are arranged into two sets of 24 and 30 input variables depending on the level of access on early design stages, i.e. lab scale and conceptual design level respectively. In total, 138 datasets are compiled (23 LCA metrics x 3 allocation approaches x 2 sets of full/reduced input attributes) for the modelling task.Results and discussion The obtained results demonstrate that the average classification error for the decision trees ranges between 13.4% and 43.8% for the various LCA metrics and allocation approaches. Allocation approaches present a better classification performance (up to 25% error) compared to the substitution approach for many LCA metrics such as Climate Change, CED, and Human Health. For the majority of models low and high output classes are characterized by better predictive performance compared to the medium class. The interpretability of selected decision trees is analysed in terms of pruning levels and “irrational” branches. The results of the application of the decision trees for recently published case studies show that nine out of thirteen cases and seven out of sixteen were correctly classified for CED and CC metrics, respectively. Additionally, cases where models overestimated and underestimated class labels were also quantified providing their suitability to support decision making in early stages of design.Neural network models are able to estimate LCA metrics and their estimation capability is expressed as the average R2CV values (coefficient of determination) as a result of 500 iterations in a cross validation procedure. Values for R2CV range between close to 0 (e.g. for various environmental issues such as freshwater eutrophication (FE), freshwater ecotoxicity (FET), water depletion, etc. for all allocation scenarios) to 0.8 (for instance for energy and climate change related metrics).Conclusions and recommendations The proposed approach provides a first generation of models in the form of computationally inexpensive and easily interpretable decision trees, that can be used as pre-screening tools for the environmental assessment of bio-based production ahead of detailed design and conventional LCA approaches. The transparent structure of the decision trees as well as the neural network modelling capabilities facilitate the identification of critical decision variables, thus providing insights for improvement in terms of process parameters, biomass feedstock or even targeted product.

Αντικείμενο και στόχος της διατριβής Η έννοια της αειφορίας αποκτά όλο και μεγαλύτερη βαρύτητα στο σχεδιασμό των διεργασιών. Οι βασικές αρχές της λήψης αποφάσεων κατά τα στάδια ανάπτυξης και σχεδιασμού των διεργασιών έχουν διευρυνθεί σήμερα ενσωματώνοντας, εκτός από τα παραδοσιακά θεωρούμενα οικονομικά κριτήρια, και άλλες σημαντικές πτυχές, περιβαλλοντικής και κοινωνικής υπόστασης. Οι διαδικασίες παραγωγής που αξιοποιούν ανανεώσιμες πρώτες ύλες, όπως είναι η βιομάζα, θεωρούνται ανταγωνιστικές επιλογές προς τους συμβατικούς τρόπους παραγωγής προϊόντων από ορυκτούς πόρους, καθιστώντας την αξιολόγηση της αειφορικής τους επίδοσης, ένα εργαλείο για την καθιέρωσή τους ως τεχνολογικά ώριμες επιλογές. Επιπλέον, ο καινοτόμος χαρακτήρας των τεχνολογιών βιομάζας και, επομένως, ο βαθμός διαθεσιμότητας σε δεδομένα και πρόσβασης σε λεπτομερείς σχεδιαστικές προτυποποιήσεις αποτελούν κρίσιμες παραμέτρους για τους υπεύθυνους λήψης αποφάσεων, ώστε να προχωρήσουν προς αυτήν την κατεύθυνση.Αντικείμενο της παρούσας διδακτορικής διατριβής είναι η υποστήριξη των αποφάσεων σε αρχικά στάδια ανάπτυξης και σχεδιασμού των βιοδιυλιστηρίων, στη βάση κριτηρίων αειφορίας, τα οποία αφορούν ένα μεγάλο εύρος περιβαλλοντικών επιπτώσεων και τα οποία υιοθετούνται για να αξιολογήσουν τις διαδικασίες παραγωγής προϊόντων τους. Αντιπροσωπευτικά παραδείγματα επιπτώσεων που εξετάζονται στη διατριβή είναι η χρήση πόρων (όπως το νερό και η ενέργεια), η περιβαλλοντική υποβάθμιση των οικοσυστημάτων (ευτροφισμός, οξίνιση κ.λπ.) και οι επιπτώσεις στην ανθρώπινη υγεία.Η Αξιολόγηση του Κύκλου Ζωής (AKZ) (Life Cycle Assessment - LCA) θεωρείται, γενικά, ως κατάλληλη μέθοδος για την εκτίμηση δεικτών αειφορίας διεργασιών. Ωστόσο, η μέθοδος για να εφαρμοστεί απαιτεί μεγάλο όγκο και συχνά δυσπρόσιτα δεδομένα για διεργασίες, τα οποία δεν είναι διαθέσιμα στα αρχικά στάδια σχεδιασμού. Η παρούσα εργασία παρέχει μια προσέγγιση για τον εξορθολογισμό (streamlining) της ΑΚΖ για ένα εύρος διαδικασιών σύνθεσης προϊόντων που προέρχονται από βιομάζα. Η προτεινόμενη μέθοδος διαφοροποιείται από τις συμβατικές εργασίες ΑΚΖ, καθώς σκοπός της είναι να υποστηρίζει αποφάσεις σε αρχικά στάδια, προϋποθέτοντας την ελάχιστη ανάγκη σε δεδομένα και προτείνοντας μια σειρά δεικτών ΑΚΖ, που μπορούν να χρησιμοποιηθούν σε τέτοιου είδους διεργασίες. Επίσης, η μέθοδος αναδεικνύει τις κρίσιμες παραμέτρους που διαμορφώνουν το ύψος της τιμής των δεικτών ΑΚΖ, αξιοποιώντας πληροφορία από ένα εύρος περιπτώσεων βιοδιυλιστηρίων και παρέχοντας έτσι χρήσιμη ανατροφοδότηση στα αρχικά στάδια σχεδιασμού.Στόχος της διατριβής είναι η ανάπτυξη ενός υπολογιστικού πλαισίου για την εκτίμηση δεικτών ΑΚΖ χημικών ουσιών και καυσίμων προερχόμενων από βιομάζα, η οποία επιτυγχάνεται με αξιοποίηση πληροφοριών που είναι διαθέσιμες σε αρχικά στάδια σχεδιασμού. Έτσι, οι εκτιμήσεις μπορούν να διεξαχθούν "πριν τον λεπτομερή σχεδιασμό" και παρακάμπτοντας την ανάγκη για απογραφική ανάλυση των διεργασιών (δηλαδή ισοζύγια μάζας, ενέργειας, εκπομπές και απόβλητα) και χωρίς τη χρήση μοντέλων, όπως είναι οι προσομοιωτές διεργασιών και τα εργαλεία λογισμικού ΑΚΖ. Το καινοτόμο στοιχείο του υπολογιστικού πλαισίου είναι ότι υποστηρίζει τη λήψη αποφάσεων χρησιμοποιώντας τεχνικές που μπορούν να κατευθύνουν σχεδιαστικές επιλογές σε αρχικά στάδια, όπως τα δέντρα απόφασης που δίνουν προσεγγιστικές εκτιμήσεις εντός του εύρους μιας κλάσης, μέσω μιας αλληλουχίας κανόνων ή/και συμπληρωματικά τα νευρωνικά δίκτυα, όπου απαιτείται μια αριθμητική εκτίμηση, παρακάμπτοντας τα αναλυτικά και χρονοβόρα βήματα αξιολόγησης των πιθανών σχεδιαστικών επιλογών που χρησιμοποιούνται μέχρι σήμερα. Αντίθετα, οι συμβατικές μέθοδοι ξεκινούν με την προσομοίωση των επιμέρους λειτουργιών της παραγωγικής διαδικασίας με χρήση εργαλείων προσομοίωσης (π.χ. Aspen Plus), την ανάλυση των ροών, τη σύνθεση απογραφικών πινάκων και τη χρήση λογισμικών ΑΚΖ (π.χ. SimaPro, Umberto).Μέθοδοι και εργαλεία υλοποίησης Το προτεινόμενο υπολογιστικό πλαίσιο χρησιμοποιεί δέντρα απόφασης και νευρωνικά δίκτυα ως τεχνικές μοντελοποίησης, οι οποίες είναι σε θέση να αναλύουν δεδομένα, να αναγνωρίζουν πρότυπα και παραμέτρους από ένα δείγμα δεδομένων και να αναδεικνύουν στην περίπτωση της συγκεκριμένης διατριβής, κρίσιμες παραμέτρους που διαμορφώνουν το ύψος ενός δείκτη ΑΚΖ. Τα δέντρα απόφασης διαμορφώνουν κανόνες της μορφής "if-then", χρησιμοποιώντας ένα σύνολο κρίσιμων παραμέτρων που περιγράφουν τη διαδικασία σύνθεσης ενός επιθυμητού προϊόντος σε σχέση με τις διάφορες περιβαλλοντικές επιπτώσεις. Τα μοντέλα ταξινομούν τα προϊόντα σε τρεις κατηγορίες, σε εκείνα με χαμηλό, μεσαίο και υψηλό περιβαλλοντικό αντίκτυπο. Τα νευρωνικά δίκτυα χρησιμοποιούνται ως μια κοινώς αποδεκτή μέθοδος για την αποτύπωση των σχέσεων μεταξύ των δεδομένων εισόδου και εξόδου και τη δημιουργία μοντέλων πρόβλεψης.Οι πληροφορίες για την εκπαίδευση των μοντέλων αφορούν τριάντα τρία προϊόντα, καθένα από τα οποία παράγονται μέσω διαφόρων τρόπων σύνθεσης και τα οποία αντιπροσωπεύουν τις σημαντικότερες ομάδες που βρέθηκαν στη βιβλιογραφία. Η βάση δεδομένων στηρίζεται στη συλλογή 52 διεργασιών, οι οποίες μετά από κατάλληλο συνδυασμό συνθέτουν 92 συστήματα μελέτης που αναπτύχθηκαν από τον κατάλληλο συνδυασμό αυτών των διεργασιών ώστε να παράγουν τα επιθυμητά προϊόντα. Είκοσι τρεις δείκτες ΑΚΖ επελέγησαν ως εξαρτημένες μεταβλητές (ένας κάθε φορά για κάθε μοντέλο), σύμφωνα με τις μεθόδους ReCiPe και Cumulative Energy Demand (CED). Οι μέθοδοι αυτές παρέχουν ένα ευρύ φάσμα δεικτών για διάφορα περιβαλλοντικά θέματα, όπως η κλιματική αλλαγή, ο ευτροφισμός, η οξίνιση, κ.λπ., καθώς και η ζήτηση ενέργειας από ορυκτά καύσιμα. Οι τιμές των εξαρτημένων μεταβλητών για τα αντίστοιχα προϊόντα εκτιμήθηκαν χρησιμοποιώντας την αναλυτική μέθοδο ΑΚΖ σύμφωνα με το ISO 14040 για κάθε σύστημα μελέτης. Η λειτουργική μονάδα, η ροή αναφοράς βάσει της οποίας γίνεται η αξιολόγηση και η συνολική ανάλυση, είναι 1 kg προϊόντος. Οι τιμές των δεικτών ΑΚΖ κάθε παρατήρησης του συνόλου δεδομένων παρέχονται, επίσης, για τρεις προσεγγίσεις κατανομής επιπτώσεων (μάζα, τιμή αγοράς, υποκατάσταση).Οι μεταβλητές εισόδου (ανεξάρτητες μεταβλητές) αναφέρονται στη μοριακή δομή του προϊόντος και σε παραμέτρους που σχετίζονται με την διαδικασία σύνθεσης όπως για παράδειγμα εκείνες που περιγράφουν τη χημεία, την πολυπλοκότητα και γενικές συνθήκες λειτουργίας (π.χ. εύρος θερμοκρασίας, απόδοση κλπ., αριθμός ενδιάμεσων σταδίων επεξεργασίας για τη σύνθεση του τελικού προϊόντος). Οι ανεξάρτητες μεταβλητές διακρίνονται σε δύο ομάδες 24 και 30 (συνοπτικό και πλήρες σύνολο ανεξάρτητων μεταβλητών) ανάλογα με το επίπεδο πρόσβασης σε πληροφορίες στα αρχικά στάδια σχεδιασμού. Συνολικά, αναπτύσσονται 138 σύνολα δεδομένων (23 δείκτες ΑΚΖ x 3 μέθοδοι κατανομής επιπτώσεων x 2 σύνολα, συνοπτικό και πλήρες σύνολο ανεξάρτητων μεταβλητών) για τη διαδικασία της μοντελοποίησης.Αποτελέσματα και συζήτηση Τα αποτελέσματα παρουσιάζουν ότι το μέσο σφάλμα ταξινόμησης για τα δέντρα απόφασης κυμαίνεται μεταξύ 13.4% και 43.8% για τα διάφορα σύνολα δεδομένων που αφορούν σε δείκτες ΑΚΖ και μεθόδους κατανομής επιπτώσεων. Οι μέθοδοι κατανομής επιπτώσεων με βάση φυσικές και οικονομικές παραμέτρους παρουσιάζουν καλύτερες επιδόσεις ταξινόμησης (έως και 25% σφάλμα) σε σύγκριση με την προσέγγιση υποκατάστασης για πολλούς δείκτες ΑΚΖ, όπως η κλιματική αλλαγή (CC), η αθροιστική ζήτηση ενέργειας (CED) και οι επιπτώσεις στην ανθρώπινη υγεία. Για την πλειονότητα των μοντέλων, οι κλάσεις χαμηλής και υψηλής τιμής (Low και High) χαρακτηρίζονται από καλύτερη πρόβλεψη σε σχέση με τη μεσαία κλάση (Medium). Η ερμηνεία επιλεγμένων δέντρων αποφάσεων αναλύεται ως προς τα επίπεδα απλοποίησης και τους δύσκολα ερμηνεύσιμους κλάδους. Τα αποτελέσματα από την εφαρμογή των δέντρων απόφασης για πρόσφατες δημοσιευμένες μελέτες περιπτώσεων δείχνουν ότι εννέα από τις δεκατρείς περιπτώσεις και επτά από τις δεκαέξι κατηγοριοποιήθηκαν σωστά για τους δείκτες CED και CC, αντίστοιχα. Επιπλέον, εξετάστηκαν οι περιπτώσεις, όπου τα μοντέλα υπερεκτίμησαν και υποεκτίμησαν την κλάση στην οποία ανήκει ένα προϊόν για τους δείκτες CC και CED αναδεικνύοντας έτσι τη χρησιμότητά τους να στηρίξουν τη λήψη αποφάσεων σε αρχικά στάδια σχεδιασμού.Τα μοντέλα νευρωνικών δικτύων εκτιμούν τιμές δεικτών ΑΚΖ και η ικανότητα εκτίμησής τους εκφράζεται ως η μέση τιμή τριών στατιστικών δεικτών, του R2CV (συντελεστής προσδιορισμού), του συντελεστή συσχέτισης Pearson R, και της τετραγωνικής ρίζας του μέσου σφάλματος (RMSE) ως αποτέλεσμα 500 επαναλήψεων της διαδικασίας εκπαίδευσης/επαλήθευσης. Οι τιμές για το δείκτη R2CV κυμαίνονται μεταξύ τιμών κοντά στο μηδέν (π.χ. για διάφορους δείκτες όπως ο ευτροφισμός γλυκού νερού (FE), η οικοτοξικότητα (FET) και η εξάντληση νερού (WD)) και φθάνουν μέχρι την τιμή 0.8 (για δείκτες που σχετίζονται με χρήση ενέργειας και την κλιματική αλλαγή).Συμπεράσματα και προτάσεις για μελλοντική έρευνα Η προτεινόμενη μέθοδος παρέχει κατάλληλα μοντέλα τα οποία αξιοποιούν ευρέως χρησιμοποιούμενες τεχνικές και εύκολα ερμηνεύσιμες δομές, που μπορούν να χρησιμοποιηθούν ως εργαλεία προ-επιλογής διεργασιών σε αρχικά στάδια και πριν από λεπτομερείς σχεδιαστικές μεθόδους και συμβατικές προσεγγίσεις ΑΚΖ. Η «διαφανής» δομή των δέντρων απόφασης, καθώς και οι δυνατότητες μοντελοποίησης νευρωνικών δικτύων διευκολύνουν τον εντοπισμό κρίσιμων μεταβλητών εισόδου, παρέχοντας έτσι υποστήριξη σε αποφάσεις που αφορούν τις παραμέτρους διεργασιών, την επιλογή πρώτων υλών κ.λπ. οι οποίες διαμορφώνουν το βαθμό αειφορίας των βιοδιυλιστηρίων.