Publikationen (Auswahl):
- Bockisch, A.; Junne, S.; Neubauer, P. (2020): In-situ investigation of multiple physico-chemical parameters in the liquid phase of digesters with mobile sensor devices. In: Liebetrau, J., Pfeiffer, D. (Hrg.). Collection of Methods for Biogas – Methods to determine parameters for analysis purposes and parameters that describe processes in the biogas sector. Series »Biomassenergy use«. 07, 2. 405-411. ISBN 978-3-946629-47-4. 10.48480/z641-5235
- Junne, J.; Nägele, H-J.; Kress, P.; Bockisch, A.; Arzate , J-A.;
Lemoine, A.; Neubauer, P.; Oechsner, H. (2019): Flexibilisierte Fütterung in Biogasprozessen mit Modell-basierter Prozesserkennung im Praxismaßstab. In: Tagungsband 8. Statuskonferenz Energetische Biomassenutzung, 68-69. https://www.energetische-biomassenutzung.de/de/node/100
- Junne, J.; Lemoine, A.; Neubauer, P.; Cruz Bournazou, N. M. (2015): Von Blackbox zu Whitebox Modellierung: Konzepte für eine Modell-basierte Überwachung von Biogasanlagen. In: Arnold, G. (ed.) Energy EcoSystems 2014: Konferenzbeiträge und Beiträge der Fachgespräche »Energiesysteme der Zukunft«. Leipziger Beiträge zur Informatik. InfAI. ISBN: 9783941608368; 3941608363
Publikationen (Peer-Review):
- Arzate, J.a. et al . (2017): Anaerobic Digestion Model (AM2) for the Description of Biogas Processes at Dynamic Feedstock Loading Rates. In: Chemie Ingenieur Technik, 89 (5). 10.1002/cite.201600176
- Kress, P; Nägele, H-J.; Oechsner, H.; Ruile, S. (2018) Effect of agitation time on nutrient distribution in full-scale CSTR biogas digesters. In: Special Issue on Recent Advances in Anaerobic Digestion, Samir Khanal, Hans Oechsner, Mohammad Taherzadeh, Rongsheng Roger Ruan and Irini Angelidaki (Eds), Bioresource Technology 247, 1-6. 10.1016/j.biortech.2017.09.054
FlexFeed
Flexibilisierte Fütterung in Biogasprozessen mit Modell-basierter Prozesserkennung im Praxismaßstab
FKZ-Nr.:
03KB101
Im Projekt FlexFeed wird die Evaluierung und Optimierung einer Strategie zum Fütterungsmanagement an Biogasanlagen angestrebt, welches innovative Sensorik in der Flüssigphase, Modell-basierte Überwachung und auf neuronalen Netzen beruhende Prognosen als methodische Ansätze vereint. Ziel ist es, durch die Mechanismenerkennung den aktuellen Prozesszustand zu identifizieren und so Störungen frühzeitig zu erkennen. Dies ist insbesondere bei Änderungen der Substratzusammensetzung und bei Beladungswechseln relevant. Lanzen-basierte Probennahmesysteme sowie Sensorik an Prozess-kritischen Orten in der Flüssigphase unterstützen die Früherkennung von Störungen. Der Einsatz eines Prognoseverfahrens bei Last- und Substratwechseln mit neuronalen Netzwerken soll zu einem ganzheitlichen Ansatz aus Prognose, online-Sensorik und Modell-basierter Überwachung führen. Im Projekt sollen Praxisdaten im Großmaßstab bei unterschiedlichen, sehr flexiblen und hochbelasteten Betriebszuständen generiert werden, die zur Optimierung und Evaluierung der entwickelten Modelle beitragen.