人口快速增长、城市化和工业化导致城市固体废物(MSW)产生量增加(Demirbas, 2011),引发了全球环境问题(Zang et al., 2024)。同时,人口增长也导致了化石燃料消耗的增加(Sanli, 2025)。解决这些挑战的一个可行方案是建设废物转化为能源(WTE)的发电厂,这种方法既可用于处理MSW,也可用于能源生产(Zu and Zhang, 2023)。在WTE发电厂中,MSW被用作燃料。MSW是一种异质混合物,不同样本之间的成分存在差异(Zhang et al., 2024)。尽管EA3000 CHNSO元素分析方法成本最高,但仍被用来计算MSW的组成。然而,需要注意的是,每个样本的结果可能存在差异。此外,由于反应器内部的燃烧过程,实际获取和采样废物在反应器入口处几乎是不可能的。
文献中描述了多种用于采样和分析固体废物成分的方法。例如,ASME PTC 33(ASME International, 1991)是一种采样程序,它使用标准化平均值来确定MSW的组成和热值。每个参数在相同条件下被多次测量,这些重复测量的平均值用于最终分析。Reinhart和McCauley-Bell(Reinhart and Bell, 1996)建议使用废物运输车辆将废物分为33类,并指出由于轻质材料、水分、食物和污垢的污染,数据可能存在不准确的情况。本研究的目标是分析进入WTE发电厂的MSW。因此,还考虑了其他现有方法,如欧盟委员会的SWA工具(Consortium, 2004)和NSR(Douti et al., 2017)。ASME PTC 34(Deduck and Xiao, 2012)采用了一种独立的方法来进行MSW组成的评估。然而,这实际上表明,由于高误差率和无法接触燃烧中的废物,因此通过采样分析元素组成并不是一种合适或合理的方法。因此,无需直接采样和分析即可估算元素组成的技术将非常有益且具有优势。本研究采用了逆向解决方法来解决这一问题。
逆向解决方法的目的是根据观察到的效果来确定原因。它涉及使用观察数据以函数形式估算模型的参数。这种方法在多种问题中都有应用,包括传热(Alifanov, 2012, Camaraza-Medina et al., 2022, Ghajar et al., 2021)、热分析和化学分析(Chen et al., 2022, Haines et al., 1998, Laye, 2002)、可再生能源(Lin and Chen, 2015, Naik et al., 2018)、生物质气化(Banifateme et al., 2023, Kaczor et al., 2021)、地热系统(Li et al., 2021, Silva et al., 2023 de Valente et al., 2020)以及建筑物理(Heo et al., 2012, Heo and Zavala, 2012, Yang et al., 2020, Zhang et al., 2015)。在本研究中,尝试通过测量和分析废气成分来进行废物分析。
遗传算法(GA)是一种受自然选择和进化启发的随机优化方法,广泛应用于解决复杂的非线性和奇异问题(Sabir et al., 2021)。将GA与智能计算框架(如Gudermannian神经网络)结合使用,已被证明可以提高在具有挑战性的数值模型中的准确性、收敛性和稳定性(Nisar et al., 2021, Sabir et al., 2023)。其他方法,如粒子群优化(PSO)和模拟退火(SA),也被用于类似的应用来处理非线性和病态问题(Sabir et al., 2024, Sabir and Ben Said, 2023)。因此,本研究采用了基于GA的方法来解决逆问题(Sabir and Wahab, 2021)。逆问题可以通过多种不同的方法来解决。这些方法根据目标函数的形成、用于最小化目标函数的优化技术以及应用的正则化方法进行分类。逆问题通常被表述为参数估算挑战,可以使用各种优化算法和技术来解决,例如遗传算法(GAs)和共轭梯度方法。GA结合了受控的随机信息交换和适者生存的概念(Goldberg, 2014)。Kumar和Das利用遗传算法逆向解决方案(GAIS)方法评估了混合太阳能池塘中的各种设计参数(Kumar and Das, 2020)。此外,Kumar等人(Kumar et al., 2018)采用基于遗传算法的优化来预测满足热电发电机最低温度要求的各种区域的可行长度。Bura和Gupta(Bura and Gupta, 2019)使用GA逆解决方案对生物质热解反应器进行了建模,以热重分析作为逆问题的输入数据。
本研究引入了几项新颖特性,建立在Banifateme等人(Banifateme et al., 2023)的方法基础上,代表了第二种无需直接采样的MSW组成估算方法。所提出的方法相比之前的方法具有显著更低的估算误差。它采用基于遗传算法的优化来解决逆问题。该方法考虑了多个测量数据类别,而不是依赖单一的瞬时数据类别,从而提供了更真实和准确的分析。
所提出的GAIS方法是一种使用逆向方法估算MSW组成的新颖和创新方法。虽然很少有研究解决这一挑战,但Banifateme等人(Banifateme et al., 2023)是一个值得注意的例外,他们提出了一种绕过初始采样的技术来估算MSW组成。研究人员使用单一测量类别通过逆向方法估算MSW组成。然而,他们的研究没有考虑到反应器内的所有材料都对合成气生产有贡献。此外,当仅依赖一组测量参数时,逆向解会变得不稳定,因此需要使用正则化参数。不幸的是,正则化方法可能会在结果中引入不可避免的误差。
在工业实践中,大量城市固体废物(通常每批超过一公吨)在反应器中转化为合成气。生成的合成气代表了大量原料的平均组成。实际上,转化为合成气的MSW量受反应器总废物体积的影响。因此,仅根据单一烟气成分测量来估算MSW组成是不现实的。为了进行更真实的分析,作者建议通过在相等的时间间隔内从多个测量类别收集数据来估算反应器内的平均MSW组成。应当注意的是,增加方程可以使问题更加稳定。为了解决这些限制,本研究提出了一种基于遗传算法逆向解决方案(GAIS)的方法,无需直接采样即可估算MSW的元素组成,利用多个测量数据类别来提高稳定性和准确性。该方法通过数值模拟实验得到了验证,并应用于伊朗德黑兰Aradkooh废物转化为能源的发电厂的真实案例研究。
本文的其余部分组织如下:第2节介绍了材料和方法,包括控制质量和能量平衡方程以及用于估算MSW组成的遗传算法逆向解决方案(GAIS)方法。第3节描述了在Aradkooh WTE发电厂进行的案例研究,详细介绍了工厂布局、废物准备、气化、燃烧和热回收过程。第4节展示了结果和讨论,包括数值模拟实验、测量误差的扰动、基于GAIS的MSW组成估算以及与以往方法的比较。最后,第5节提供了结论,强调了所提出方法的优势、准确性和实际意义。