基于成分分析的 municipal solid waste 燃烧过程中CO和NO排放特性的预测

《Process Safety and Environmental Protection》:Prediction of CO and NO emission characteristics for municipal solid waste combustion based on component analysis

【字体: 大 中 小 】 时间:2026年07月31日 来源:Process Safety and Environmental Protection 7.9

编辑推荐:

  摘要:一氧化碳和二氧化氮是城市固体废物燃烧过程中产生的主要气态污染物。基于成分比例的气体排放模型能够快速预测不同废物组成条件下的气体排放量,从而为成分层面的排放评估与控制提供支持。本研究选取了五种具有代表性的城市固体废物成分,即蔬菜叶、果皮、大米、纸张和塑料。在不同的炉温(700

  摘要:一氧化碳和二氧化氮是城市固体废物燃烧过程中产生的主要气态污染物。基于成分比例的气体排放模型能够快速预测不同废物组成条件下的气体排放量,从而为成分层面的排放评估与控制提供支持。本研究选取了五种具有代表性的城市固体废物成分,即蔬菜叶、果皮、大米、纸张和塑料。在不同的炉温(700-1100℃)和空气流量(800-1600毫升/分钟)条件下测量了一氧化碳和二氧化氮的排放量。在1000℃和1200毫升/分钟的条件下,研究了不同混合比例(0.25-0.75)下的排放特性。通过混合设计方法,建立了基于成分比例的一氧化碳和二氧化氮排放预测模型。研究结果表明,所有成分产生的一氧化碳排放量以及食物垃圾产生的二氧化氮排放量在特定炉温下达到最小值。增加空气流量会促进一氧化碳和二氧化氮的生成;不过,大米产生的一氧化碳排放量在1400毫升/分钟时达到峰值。成分混合会抑制一氧化碳的形成,但会增加二氧化氮的形成。二次方程模型预测,在不包含塑料和大米的混合物中,一氧化碳排放量的最小值为0.082毫克,二氧化氮排放量的最大值为0.323毫克。这些研究结果为快速估算混合物中的一氧化碳和二氧化氮排放量提供了模型参考。

引言:随着人口、经济活动及消费水平的持续增长,城市固体废物的产生量也在稳步上升。预计到2057年,全球城市固体废物产量将达到34亿吨(Feng等人,2026年;Ambaye等人,2023年),这凸显了妥善处理废物对环境保护和能源节约的重要性。然而,由于各地条件差异,城市固体废物的成分较为复杂,通常包括食物垃圾、塑料、废纸、纺织品、金属和玻璃等。全球统计数据显示,73%的城市固体废物由食物垃圾、塑料和纸张构成(Soltanian等人,2022年),而在中国和美国,可燃成分分别占82%和84%(Qi等人,2025年)。由于存在大量可回收资源,因此需要采用能够减少废物体积和重量的同时实现高效能量回收的处理工艺。

焚烧是一种广泛应用的能量回收方法,可使废物体积减少85%-90%,重量减少60%-90%(Delkash,2026年)。焚烧产生的热能可用于发电(Khan等人,2022年)。烟气中主要含有少量可燃气体、不可燃气体以及空气。剩余的灰烬可被用于建筑和土木工程领域(Li等人,2025年;Muhammad等人,2025年)。不过,高温燃烧环境也会促使氮元素转化为氮氧化物,其中以一氧化氮为主(Rogaume等人,2006年)。因此,了解气体生成机制对于控制排放至关重要。

气体环境会直接影响燃烧和排放行为。Ma等人(Ma等人,2019年)发现,氧气浓度升高会促进城市固体废物燃烧过程中氮氧化物和一氧化氮的生成。Liao等人(Liao等人,2023年)也得到了类似结果,他们表明较高的氧气浓度会抑制甲烷的生成。他们还观察到,水分含量的增加会使甲烷、一氧化碳和氢氰酸的浓度先下降后上升。Chen等人(Chen等人,2024年)证明,与单阶段燃烧相比,气化-燃烧技术可使氮氧化物排放量减少33.89%,并且气化温度会对氮氧化物的生成产生显著影响。Tang等人(Tang等人,2012年)使用水平管式炉研究了在氮气/氧气和二氧化碳/氧气氛围下城市固体废物燃烧过程中的氮氧化物排放情况。研究结果表明,当温度高于800℃时,二氧化碳/氧气氛围下的氮氧化物含量低于氮气/氧气氛围。Wei等人(Wei等人,2024年)报告称,增加空气流量和炉温会促进氮氧化物的生成。Zhu等人(Zhu等人,2022年)发现,烟气热解可使氮氧化物排放量减少25.7%。Liu等人(Liu等人,2024年)建立了一种机械格栅焚烧炉的数值模型。研究结果表明,增加格栅处的空气流量以及二次风口的空气流量会提高一氧化氮的浓度,但空气流动方向并无显著影响。尽管已有针对城市固体废物与陈旧垃圾、工业废物及煤炭共燃的研究(Zhang等人,2022年;Cai等人,2023年;Zhang等人,2018年),但由于城市固体废物的成分十分复杂,因此有必要研究典型成分的排放情况。

针对单一成分的研究也为我们提供了更多见解。Liu等人(Liu等人,2021年)发现,大米和蔬菜叶在500℃和600℃时分别会产生最高的氢气和一氧化碳排放量。对于大米而言,氮氧化物排放主要发生在500-600℃之间,而蔬菜叶的氮氧化物排放则发生在600-700℃之间。Wang等人(Wang等人,2023年)发现,一次性纸杯燃烧时约80%的质量损失发生在210-520℃之间。其主要气态产物包括二氧化碳、水蒸气、一氧化碳,以及C=O、C-O和C-H等官能团。Botelho等人(Botelho等人,2018年)报告称,烤过的葡萄渣比原始葡萄渣会产生更高浓度的一氧化碳、二氧化碳和氮氧化物。Wu等人(Wu等人,2024年)观察到,以特定比例共燃咖啡渣和茶渣可降低氮氧化物、一氧化碳和二氧化碳的排放量。Rokni等人(Rokni等人,2019年)发现,玉米秸秆中的水分含量越高,氨气排放量就越高,但二氧化氮排放量却越低;而增加空气流量则会显著提升氨气、二氧化氮和氢氰酸的排放量。Shao等人(Shao等人,2026年)表明,花生壳燃烧过程中的氮氧化物生成主要集中在点火区和燃烧区,当过量空气比为1.08时,氮氧化物的生成量最低。Meng等人(Meng等人,2017年)报告称,颗粒尺寸增大会降低一氧化碳的排放量,而较高的空气流量则会促进一氧化碳和二氧化氮的生成。

尽管已有诸多相关研究,但食物垃圾、纸张和塑料仍构成了城市固体废物的主要成分,而且食物垃圾中有超过50%为蔬菜叶、果皮和大米(Ogunmoroti等人,2022年;Cabello等人,2018年)。然而,针对典型成分混合物的排放研究仍然相对较少。由于不同成分的排放特性存在显著差异,其比例会对整体排放量产生重要影响。因此,建立基于成分比例的预测模型,有助于准确预测城市固体废物燃烧过程中的气体排放行为。

本研究探讨了典型城市固体废物成分(蔬菜叶、纸张、果皮、塑料和大米)燃烧时的气体排放情况。研究使用烟气分析仪来测量一氧化碳和二氧化氮的体积浓度,并系统分析了炉温、空气流量和混合比例对气体排放的影响。研究人员建立了用于预测气体质量排放量的二次方程模型,同时还对模型的偏导数进行了分析。

本文结构如下:第二部分介绍了典型城市固体废物成分的制备方法以及实验流程;第三部分阐述了数据处理步骤和预测模型构建方法;第四部分展示了各成分燃烧气体排放的结果并进行了分析讨论;第五部分总结了本研究的主要结论。

本研究的主要贡献如下:(1)阐明了炉温与空气流量对典型城市固体废物成分产生的一氧化碳和二氧化氮排放的协同影响,为排放控制提供了理论依据。(2)量化了成分比例对一氧化碳和二氧化氮排放的影响,建立了基于成分构成的预测模型,便于快速估算气体排放量。

材料部分:本研究中的城市固体废物样本采集自中国天津。蔬菜叶、果皮和大米是从学校食堂获取的,而包括水瓶、塑料袋和塑料容器在内的塑料则从校园垃圾桶中收集。纸张类样本,包括打印纸、书籍、旧报纸和纸板,则来自办公区域。这五种成分均在电烘箱中于105℃下干燥24小时。根据先前的研究结果,颗粒大小会影响……

计算方法:样品燃烧过程中产生的烟气由剩余空气和反应气体组成。每种气体的瞬时体积流量可通过以下公式表示(Liu等人,2021年;Yao等人,2023年):
Vtotal = Vair1 ? ∑i=1nCi106 ≈ VairVi = VtotalCi106
假设所有气体处于相同的温度和压力之下。根据理想气体定律,每种气体的瞬时质量流量可通过以下公式计算(Hou等人,2026年;Kim等人,2025年):
mi = P0MiRT0Vi×10?360
通过上述公式即可计算出每种气体的累计质量。

结果与讨论:实验数据(一氧化碳和二氧化氮浓度)中的测量误差源自仪器故障和数据采集问题。对于通过公式计算得到的数值(一氧化碳和二氧化氮的质量),则是根据公式(7)将直接测量的变量对应的相对误差进行传递得到的。在本研究中,一氧化碳和二氧化氮的仪器误差以及数据采集的相对误差分别为5%和0.5%。经过误差传递后,计算得出的一氧化碳和二氧化氮质量的相对误差为……

结论:本研究通过实验方法,测量了在不同炉温、空气流量和混合比例条件下城市固体废物中各类典型成分(蔬菜叶、纸张、果皮、塑料和大米)燃烧时一氧化碳和二氧化氮的体积浓度。研究了不同条件下的气体排放质量变化情况,并在特定条件(空气流量为1200毫升/分钟,炉温为1000℃,混合比例为0.1克)下建立了一个气体排放模型,该模型适用于层流状态且受动力学因素影响的实验室规模燃烧过程。本研究的主要结论为……

作者贡献说明:Hongting Ma负责文章的写作、修改与编辑工作,同时承担项目监督、项目管理以及资金申请任务。Zhipeng Zhou负责方法论设计及实验研究工作。Kexun Wang负责方法论研究以及数据整理工作。Yongyichuan Zhang负责模型验证以及正式数据分析工作。Xiaochen Yang负责文章的写作、修改与编辑工作,同时还负责资源协调、方法论设计及实验研究工作。Yu Wang负责文章初稿的撰写,同时承担模型验证、方法论研究、实验分析以及正式数据分析工作。

利益冲突声明:作者声明不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢:本研究得到了中国国家重点研发计划的资助(项目编号为2022YFC3902300)。

Yu Wang | Xiaochen Yang | Yongyichuan Zhang | Kexun Wang | Zhipeng Zhou | Hongting Ma
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号