Biyoenerji ve Biyokütle Dönüşümü (Bioenergy and Biomass Conversion)

bioenergybiomassbiocharpyrolysisgasificationbiofuelbiogassorghum

Biyokütle, fosil yakıtlara alternatif olarak enerji üretimi, kimyasal hammadde eldesi ve toprak iyileştirme amacıyla kullanılabilen yenilenebilir bir kaynaktır. Tarımsal atıklar, enerji bitkileri ve orman kalıntıları gibi lignoselülozik biyokütle materyalleri; piroliz, gazlaştırma, fermantasyon ve anaerobik çürütme gibi termokimyasal ve biyokimyasal dönüşüm yollarıyla katma değerli ürünlere çevrilir. Makine öğrenmesi, bu dönüşüm süreçlerinin optimizasyonunda, verim tahmininde ve çevresel etki değerlendirmesinde giderek daha kritik bir rol üstlenmektedir.

Termokimyasal Dönüşüm Yolları

Biyokütle gazlaştırma, hammaddeyi hava, oksijen, buhar veya karbondioksit ortamında yüksek sıcaklıkta kısmi oksidasyona tabi tutarak sentez gazı (syngas) üretir. Sikarwar et al., 2016 tarafından yapılan kapsamlı derleme, gazlaştırma teknolojisindeki ilerlemeleri değerlendirmektedir. Hava gazlaştırması 4-7 MJ/Nm3 ısıl değerinde gaz üretirken, oksijen veya buhar gazlaştırması daha yüksek kalorifik değerler sağlar. Akışkan yataklı gazlaştırıcılar (FBG), sabit yataklı sistemler ve sürüklemeli akış reaktörleri farklı hammadde türleri ve ölçekler için optimize edilmiştir.

Piroliz, biyokütlenin oksijensiz ortamda termal ayrıştırılmasıdır ve üç temel ürün verir:

Biyoyağ (bio-oil): Hızlı piroliz ile elde edilen sıvı ürün, rafine edilerek biyoyakıt veya kimyasal hammadde olarak kullanılır
Biyokömür (biochar): Yavaş piroliz ile elde edilen karbon açısından zengin katı ürün, toprak iyileştirici olarak tarımda geniş uygulama alanı bulur
Sentez gazı: Gaz fazındaki ürünler, enerji üretimi veya Fischer-Tropsch sentezi ile sıvı yakıt üretiminde değerlendirilir

Gazlaştırma sürecinin en büyük teknik zorluklarından biri katran oluşumudur. Katran, soğuduğunda yoğunlaşarak boru tıkanıklığına ve ekipman hasarına neden olur. ML modelleri, operasyon parametreleri (sıcaklık, eşdeğerlik oranı, buhar/biyokütle oranı) ile katran verimi arasındaki karmaşık ilişkileri modelleyerek optimal çalışma koşullarını belirlemede kullanılmaktadır.

Biyoyakıt Üretimi ve Enerji Mahsulleri

Biyoetanol ve biyodizel gibi sıvı biyoyakıtlar, tarımsal hammaddelerden fermantasyon veya transesterifikasyon yoluyla elde edilir. İkinci nesil biyoyakıtlar, gıda dışı lignoselülozik biyokütleden üretilerek gıda-enerji rekabetini azaltmayı hedefler. Sorgum (Sorghum bicolor), yüksek biyokütle verimi, kuraklık toleransı ve geniş adaptasyon kapasitesi nedeniyle öne çıkan bir enerji bitkisidir.

Huntington et al. tarafından gerçekleştirilen çalışma, ABD genelinde 28.364 sorgum verim kaydını kullanarak makine öğrenmesi ile biyokütle sorgum verimini gelecek iklim senaryoları altında tahmin etmektedir. Random Forest varyasyonu en yüksek doğruluğu sağlamış olup, modelin belirlediği en önemli öngörücü değişkenler sulama uygulamaları, buhar basınç açığı (VPD) ve zaman (teknolojik ilerlemenin göstergesi) olmuştur. Sonuçlar, 2018-2099 döneminde sorgum verimlerinde ortalama %2,7 düşüş öngörmekte; yüksek emisyon senaryosunda bu düşüş %3,8'e, sulamasız koşullarda ise %4,6'ya ulaşmaktadır. Coğrafi olarak en sert düşüşler Büyük Göller (%8,2), Yukarı Ortabatı (%7,5) ve Heartland (%6,7) bölgelerinde öngörülmektedir.

Biyogaz üretiminde anaerobik çürütme süreçlerinin ML ile optimizasyonu da önemli bir uygulama alanıdır. IoT tabanlı izleme sistemleri, reaktör parametrelerini (pH, sıcaklık, organik yükleme oranı) gerçek zamanlı takip ederek yapay sinir ağları ile metan verimi tahmininde bulunur.

Biyokömür (Biochar) ve Tarımsal Kullanımı

Biyokömür, biyokütlenin pirolizi ile üretilen karbon açısından zengin bir materyaldir ve tarımda çok yönlü uygulamalara sahiptir: toprak karbon tutumu, su tutma kapasitesinin artırılması, besin elementi yarayışlılığının iyileştirilmesi ve kirletici giderimi.

Nighojkar et al., 2023, biyokömürün pestisit giderimindeki etkinliğini tahmin etmek için topluluk makine öğrenmesi modelleri (CatBoost, LightGBM, Random Forest) kullanmıştır. Literatürden derlenen veri tabanı üzerinde eğitilen modeller arasında CatBoost en yüksek performansı sergilemiştir. SHAP analizi, biyokömürün yüzey alanının (SA) pestisit adsorpsiyonunu en çok etkileyen parametre olduğunu, bunu pestisit konsantrasyonu ve gözenek hacminin izlediğini ortaya koymuştur. Bu veri odaklı yaklaşım, farklı tarımsal senaryolarda biyokömür tasarımını ve kullanım dozajını optimize etmek için pratik bir çerçeve sunmaktadır.

Lei et al., 2023 ise biyokömür uygulamasının toprak mikrobiyom yapısını nasıl etkilediğini meta-analiz ve makine öğrenmesi ile araştırmıştır. 525 ITS ve 1288 16S rRNA dizileme örneği üzerinde yapılan analizde, biyokömürün toprak bakteriyel ve fungal topluluk bileşimini önemli ölçüde değiştirdiği, Acidobacteriota, Firmicutes, Basidiomycota ve Mortierellomycota'nın göreceli bolluklarını artırdığı belirlenmiştir. Random forest modeli, biyokömür uygulamasının biyobelirteçlerini (Gemmatimonadetes, Microtrichales gibi potansiyel olarak faydalı mikroplar) başarıyla tahmin etmiştir.

ML ile Proses Optimizasyonu

Makine öğrenmesi, biyoenerji dönüşüm süreçlerinin çeşitli aşamalarında optimizasyon sağlar:

Hammadde karakterizasyonu: Yakın kızılötesi (NIR) spektroskopisi ve ML kombinasyonu ile biyokütle bileşiminin (selüloz, hemiselüloz, lignin) hızlı tahmini
Proses parametre optimizasyonu: Yapay sinir ağları ve genetik algoritmalar ile piroliz sıcaklığı, ısıtma hızı ve bekleme süresi gibi parametrelerin optimize edilmesi
Ürün kalite tahmini: Gradyan artırma ve derin öğrenme modelleri ile sentez gazı bileşimi, biyoyağ verimi veya biyokömür özelliklerinin tahmini
Yaşam döngüsü değerlendirmesi: ML destekli Climate Agriculture analizi ile biyoenerji sistemlerinin karbon ayak izinin hesaplanması

Biyokütle Verim Tahmini ve Uzaktan Algılama

Enerji bitkilerinin biyokütle veriminin doğru tahmini, biyorafineri tedarik zinciri planlaması için önemli kabul edilir. İnsansız hava araçları (UAV) ve uydu görüntüleri ile elde edilen multispektral ve hiperspektral veriler, ML modelleri ile birleştirilerek alan bazlı biyokütle tahminleri yapılır:

RGB ve multispektral görüntülerden evrişimli sinir ağları (CNN) ile yerüstü biyokütle tahmini
LiDAR verileri ve random forest ile orman biyokütle karbonu haritalama
Zaman serisi uydu görüntüleri ve LSTM ağları ile mevsimsel biyokütle birikiminin izlenmesi

ESA BIOMASS misyonu gibi uzay tabanlı programlar, L-bant SAR verileri ile küresel ölçekte orman biyokütlesinin haritalanmasını hedeflemektedir.

Gelecek Yönelimler

Biyoenerji alanında ML uygulamalarının gelecek yönelimleri arasında biyorafineri kavramının dijital ikiz modelleri ile entegrasyonu, negatif emisyon teknolojileri (BECCS -- biyoenerji ile karbon yakalama ve depolama) optimizasyonu ve Microbiome Soil Biology verilerinin biyokömür-toprak etkileşim modellerine entegrasyonu yer almaktadır. Sürdürülebilir biyoenerji sistemlerinin tasarımında, Crop Yield Prediction modelleri ile biyokütle tedarik projeksiyonlarının birleştirilmesi, kaynak planlaması açısından büyük önem taşımaktadır.