Recibido: 25 agosto 2021
Aceptado: 03 febrero 2022
Disponible: 28 febrero 2022
Los residuos agrícolas representan un problema de contaminación, dada su inadecuada disposición y elevados volúmenes generados. Por ello, su revalorización para producir biocombustibles es atractiva, para lo cual se requiere conocer su poder calorífico. Se han reportado modelos matemáticos para predecir el poder calorífico considerando análisis elementales, estructurales y proximales, siendo éstos últimos los de menor costo. Por ello, el presente trabajo realizó un estudio comparativo de los modelos matemáticos que predicen el poder calorífico con base en análisis elementales; dicho estudio considera: 1) residuos agrícolas procedentes de México (paja de frijol, paja de trigo, cascarilla de arroz, cascabillo de café), y 2) residuos reportados en la literatura (fibras y cáscaras de coco, residuos de jardín, cáscaras de canola, cáscaras de Jatropha curcas, paja de trigo), con el objetivo de determinar si los modelos existentes funcionan adecuadamente para las biomasas mexicanas. Para ello, las biomasas mexicanas son caracterizadas mediante análisis proximales; por otra parte, se estima el poder calorífico de todas las biomasas con modelos matemáticos lineales previamente reportados, y los resultados se comparan con los valores experimentales. Los resultados muestran que los coeficientes de determinación de los modelos matemáticos existentes son bajos, en particular al emplear datos de biomasas mexicanas. El mejor modelo para predecir el poder calorífico en residuos agrícolas mexicanos (R2 = 0.72) considera solamente el contenido de materia volátil y de carbono fijo, así como una débil funcionalidad del contenido de cenizas. Por ello, es necesario proponer modelos matemáticos específicamente para las biomasas mexicanas.
Palabras clave: Fuentes de energía renovable, biomasa, poder calorífico, análisis proximal, modelo predictivo.
Agricultural residues represent a pollution problem because they are inadequately disposed of and high volumes of these wastes are generated. Therefore, revaluating them to produce biofuels is attractive, but, for that purpose, their calorific value should be established. Some mathematical models reported in the literature to predict calorific value have considered elemental, structural, and proximal analyses, the latter being the least expensive type. This article compares different mathematical models that have been used to predict calorific value based on elemental analysis in order to 1) evaluate agricultural residues from Mexico (bean straw, wheat straw, rice husks, and coffee husks) and other residues reported in the literature (coconut fibers and husks, garden waste, canola hulls, Jatropha curcas husks, and wheat straw) and 2) determine if the existing models work adequately for Mexican biomasses. Thus, Mexican biomasses were characterized using proximal analyses, and the calorific value of all the biomasses was estimated employing previously reported linear mathematical models. The results, which were compared with experimental values, show that the coefficients of determination of the existing mathematical models are low, particularly when Mexican biomass data are used. The best model to predict the calorific value of Mexican agricultural residues (R2 = 0.72) considers only the content of volatile matter and fixed carbon, in addition to a weak functionality of the ash content. Consequently, mathematical models should be proposed specifically for Mexican biomass.
Keywords: Renewable energy sources, biomass, calorific value, proximal analysis, predictive model.
La energía ha sido un factor fundamental en el desarrollo de los diferentes sectores económicos. Esta proviene, principalmente, de fuentes convencionales, tales como el petróleo, el carbón y el gas natural. Sin embargo, dichas fuentes convencionales son no renovables, por lo que su máximo nivel de producción se alcanzará en algún momento; al respecto, aún existe controversia respecto de la fecha de llegada de su máximo nivel [
Por otro lado, derivado del uso intensivo de dichas fuentes convencionales, se ha incrementado la concentración de gases de efecto invernadero en la atmósfera, lo cual ha dado origen al problema del cambio climático. Por lo tanto, con base en lo anterior, así como al aumento en la demanda de energía que se pronostica, es necesario el uso de fuentes alternativas de energía que sean renovables y sustentables.
Las fuentes renovables de energía son aquellas que se presentan en la naturaleza, y que como el nombre lo indica, se renuevan de forma continua. Las energías renovables se derivan directamente del sol (térmica, fotoquímica, fotoeléctrica), indirectamente del sol (eólica, hidroeléctrica, energía fotosintética de la biomasa), o de otros movimientos y mecanismos naturales del medio ambiente (geotérmica, mareomotriz) [
La biomasa se define como todo aquel material de origen biológico generado en el ciclo corto de carbono; a su vez, la biomasa puede clasificarse en comestible, no comestible, y residual. Dentro de estos tipos de biomasa destacan los residuos agrícolas, los cuales son materiales que se generan en el proceso de cultivo de diferentes especies. En los residuos agrícolas se incluyen hojas, tallos, cascarillas y/o pajas. La mayoría de este tipo de residuos no tienen un uso definido, por lo que son abandonados o quemados en los campos de cultivo; esto constituye un problema de contaminación debido a los grandes volúmenes en los que se generan, así como a su inadecuada disposición. Sin embargo, los residuos agrícolas están compuestos de material lignocelulósico y de algunos compuestos de valor agregado. Debido a ello, se han enfocado los esfuerzos en la generación de productos de valor agregado y bioenergía a partir de residuos agrícolas. Dentro de la generación de productos de valor agregado destacan estudios en los que se reporta el uso de epicarpio de mandarina como colorante natural [
Por otra parte, el uso de los residuos agrícolas para la generación de energía también ha sido estudiado. La bioenergía es la tercera fuente de energía renovable más comercializada; del total de bioenergía en el mundo, las tres cuartas partes corresponden al uso de biomasa de manera tradicional [
El uso tradicional se refiere a la combustión de biomasa como la madera, desechos animales y carbón vegetal en dispositivos no tecnificados. Por otra parte, las tecnologías modernas incluyen la conversión de la biomasa en biocombustibles líquidos (bioetanol, biodiesel), gaseosos (biogás, hidrógeno renovable) y sólidos (briquetas, pélets combustibles).
De manera particular, los pélets combustibles han ganado una gran popularidad debido a que se producen de residuos agrícolas, forestales y agroindustriales mediante un proceso relativamente sencillo, en comparación con la infraestructura requerida para producir biocombustibles líquidos y/o gaseosos. En particular, los residuos agrícolas pueden emplearse para generar biocombustibles líquidos, gaseosos y sólidos, mediante diferentes rutas de procesamiento (ver Figura 1). No obstante, dado su alto contenido de lignina, y usualmente de carbón, se recomienda su uso para la producción de biocombustibles sólidos.
Los pélets combustibles se definen como pequeños cilindros de biomasa comprimida, que pueden emplearse para generar energía eléctrica o bien calorífica. Debido a que la biomasa se comprime es posible incrementar su densidad energética. Por otra parte, el poder calorífico indica la energía ligada químicamente, y que en el proceso de combustión se convierte en energía calorífica. El poder calorífico es la propiedad más importante de los pélets combustibles, y por ello se emplea para el diseño y el control de las cámaras de combustión [
El poder calorífico de un pélet combustible puede determinarse experimentalmente, o a partir de los resultados de los análisis elementales y/o proximales del mismo [
El poder calorífico se determina experimentalmente mediante un calorímetro de bomba adiabática o espectroscopía de infrarrojo [
La determinación experimental de los poderes caloríficos y de los análisis elementales requiere una instrumentación especial y costosa, mientras que los análisis proximales pueden realizarse con relativa facilidad utilizando equipos de laboratorio comunes; por ello, éstos últimos son muy atractivos para estimar el poder calorífico. En la literatura se han reportado diversos modelos para la predicción del poder calorífico empleando los datos reportados por los análisis proximales de diferentes tipos de biomasas. En 2012, [
Posteriormente, [
De acuerdo con los resultados de los análisis proximal y elemental propusieron diversos modelos matemáticos considerando diferentes funcionalidades del poder calorífico con las variables de los análisis realizados, así como mediante el uso de otros modelos previamente reportados. Sus resultados muestran que existe una menor desviación estándar cuando se usan los análisis proximales, respecto al análisis elemental.
Como puede observarse, existen muchos modelos para predecir el HHV de la biomasa que utilizan los resultados del análisis proximal y elemental, así como algunos que se basan en los resultados del análisis estructural o en determinaciones químicas o físicas [
El artículo se encuentra organizado de la siguiente manera: en la Sección 2 se presenta la metodología que se siguió para la realización del análisis proximal y poder calorífico de los residuos agrícolas procedentes de México.
Posteriormente, se presentan los resultados de los análisis proximales de residuos agrícolas previamente reportados en la literatura, así como los modelos matemáticos que serán analizados; en la Sección 3 se presenta la discusión de resultados; y la Sección 4 contiene las conclusiones.
2.1 Residuos agrícolas procedentes de México
En este estudio se utilizaron residuos agrícolas procedentes de México, así como algunos otros reportados en la literatura. En los residuos agrícolas procedentes de México se incluyen los residuos de frijol (tallo, hoja y vaina de la planta) de la especie flor de mayo (cosechas de Hidalgo, 2016 y 2019), cascarilla de arroz (cosecha de Guanajuato 2017 y de Querétaro en 2019), paja de trigo (cosecha de Guanajuato 2017) y cascabillo de café (cosecha de Oaxaca 2018 y de Querétaro 2020). Las biomasas fueron recolectadas de manera aleatoria por estudiantes de la Universidad Autónoma de Querétaro, de acuerdo con las fechas indicadas para cada cosecha. Las biomasas fueron transportadas por vía terrestre desde los sitios de generación hasta el laboratorio de bioingeniería de la Facultad de Ingeniería (Campus Amazcala) de la Universidad Autónoma de Querétaro. Las biomasas fueron procesadas inmediatamente después de haber sido recibidas en el laboratorio.
A todos los residuos agrícolas se les realizaron análisis proximales, con base en los métodos descritos a continuación.
2.1.1 Análisis proximal
2.1.1.1 Determinación de humedad
El contenido de humedad se define como la cantidad de agua que se encuentra presente en una biomasa en particular. La humedad de los residuos agrícolas se determinó mediante el procedimiento establecido en los métodos oficiales de la AOAC Internacional (Association of Analytical Communities) [
2.1.1.2 Determinación de cenizas
El cálculo de las cenizas se realizó conforme a la norma ASTM D1102-84 [
2.1.1.3 Determinación de materia volátil
La materia volátil se determinó de acuerdo con lo establecido en los métodos Hach [
2.1.1.4 Determinación de carbono fijo
El contenido de carbono fijo se calcula restando de 100 la suma del contenido de humedad, materia volátil y cenizas, de acuerdo con lo reportado en [
2.1.1.5 Determinación del poder calorífico
El poder calorífico se determinó mediante un calorímetro isoperibólico 6200 Parr. El procedimiento consistió en elaborar pastillas, de peso máximo 1 g, con base en las muestras ya molidas con una prensa manual 2811 Parr. Las pastillas se colocaron en crisoles de calorimetría junto con el hilo de combustión; después se colocó el crisol en la bomba de combustión de oxígeno. Enseguida se cierra el equipo, se registra el peso de la pastilla y se selecciona la bomba que se llena con oxígeno para asegurar la combustión total. Después se muestra el poder calorífico en cal/g.
2.1.1.6 Análisis estadístico
Los resultados se expresaron como las medias ± la desviación estándar de al menos tres experimentos. Los datos se analizaron utilizando el software R. El análisis estadístico se realizó siguiendo el ANOVA (Fisher) y la prueba de Tukey-Kramer para la identificación de diferencias significativas entre las muestras. El nivel de significancia se estableció en p = 0.05.
2.2 Residuos agrícolas reportados en la literatura
Por otra parte, para complementar los datos que serán obtenidos de los análisis proximales de los residuos agrícolas procedentes de México, se seleccionaron otros residuos agrícolas reportados en la literatura. De dichos residuos se presentan los datos reportados para los análisis proximales en la Tabla 1.
Residuo agrícola | Humedad (%) | Cenizas (%) | Materia Volátil (%) | Carbono Fijo (%) | HHV (MJ/Kg) | Ref. |
Fibras de coco | 10.10 | 5.65 | 65.50 | 18.75 | 15.90 | [ |
Cáscaras de coco | 5.24 | 1.21 | 75.27 | 18.28 | 17.25 | [ |
Residuos de jardín | 10.00±0.10 | 14.50±3.20 | 67.10±1.20 | 18.40±2.20 | 16.50±0.10 | [ |
Cáscara de canola | 8.10±0.20 | 8.70±0.20 | 70.40±0.90 | 12.80±0.50 | 16.60±0.10 | [ |
Torta de semillas de Jatropha curcas | 4.08 | 7.24 | 73.70 | 19.06 | 17.04 | [ |
Biocarbón de torta de semillas de Jatropha curcas | 9.28 | 13.36 | 40.02 | 46.62 | 28.30 | [ |
Cáscaras de Jatropha curcas | 10.57 | 10.84 | 71.52 | 17.64 | 14.37 | [ |
Paja de trigo | 6.90±0.60 | 5.30±0.60 | 70.80±0.90 | 17.00±0.50 | 17.70±0.50 | [ |
Paja de trigo torrefactada | 3.50 | 6.40 | 70.20 | 19.90 | 18.80 | [ |
2.3. Modelos matemáticos para la predicción del poder calorífico
Como se mencionó anteriormente, existen diversos modelos matemáticos reportados en la literatura para la predicción del poder calorífico. En este estudio se seleccionaron los modelos lineales que emplean información de los análisis proximales. Si bien existen en la literatura modelos matemáticos que consideran dependencias polinomiales, se han escogido los modelos lineales por su sencillez. En la Tabla 2 se presentan los modelos seleccionados en este estudio para predecir el poder calorífico de las biomasas como función de la información brindada por el análisis proximal.
No. | Ecuación | Criterio de selección | Ref. |
(1) | HHV= -19.81966 + (0.36458∙MV) + (0.50963∙CF) + (0.19723∙ASH) | Asume que el HHV del combustible es una función lineal de los componentes volátiles, no volátiles e inorgánicos. | [ |
(2) | HHV= (0.1905∙MV) + (0.2521∙CF) | Obtenida a partir de datos de cáscaras suaves de pistacho, cáscaras de coco, paja de trigo, cáscaras de arroz, bagazo de caña de azúcar, madera de bambú, huesos de aceituna, cáscaras de almendra, cáscaras de semillas de girasol, planta de esparto, harina de karité, tallos de algodón, cáscaras de cacahuate, cáscaras de avellana, granos secos, granos húmedos, rastrojos de maíz, cáscaras de café, paja de caña de azúcar, marabú, soplillo, hoja de Casuarinaequisetifolia, hoja de Lantana camara, racimos de frutos de palma aceitera, huesos de aceituna, cáscaras de hueso de aceituna, torta de aceituna, residuos forestales, residuos de algodón, tallos de alfalfa, paja de arroz, hierba de mimbre, madera de sauce, álamo híbrido, cáscaras de almendra, madera de roble (diversos tamaños de rama), astillas de pino, paja de maíz, paja de colza, huesos de palma, madera B, planta de pimiento, mezcla de biomasa, ipil ipil, huesos de aceituna, cáscaras de pistacho. | [ |
(3) | HHV= (0.3536∙CF) + (0.1559∙MV) + (0.0078∙ASH) | Obtenida de datos de cáscaras/semillas/mazorcas (polvo de cáscara de coco, cáscaras de algodón, hierbabuena, mazorcas de maíz, rastrojo de maíz); biomasa de cortezas/podas (astillas de madera, cáscara de café); biomasa de pajas (paja de trigo, paja de arroz, paja de coco); biomasa de material fibroso/hojas/hierbas (coco, bagazo, médula de bagazo, bagazo de sorgo dulce, hojas de moringa oleífera, hojas de sena, hojas de caña de azúcar, orujo de aceituna, miscanthus, hierba del lago, arbusto de té); biomasa de carbón (carbón de secoya, carbón de roble, carbón de cáscara de coco, Quercus rotundifolia, Pinus halepensis, Eucalyptus saligna, cáscara de arroz). | [ |
(4) | HHV= -3.00488 + (0.19496∙MV) + (0.34970∙CF) | Basado en el criterio de Cordero y col., donde se menciona que la ecuación es aplicable para residuos lignocelulósicos (forestales y agrícolas), así como para el biochar resultante de su carbonización. | [ |
(5) | HHV= 167.2 – (1.449∙MV) – (1.562∙CF) – (1.846∙ASH) | Basado en el criterio de Özyuguran y Yaman, que considera que las ecuaciones contienen los términos lineales del análisis proximal, realizando combinaciones entre la materia volátil, carbono fijo y cenizas. Se aplicó para biomasas herbáceas y leñosas, cáscaras de frutos secos, huesos de frutas, tallos y cáscaras, pulpas y residuos agrícolas. | [ |
(6) | HHV= -17.507 + (0.3985∙MV) + (0.2875∙CF) | ||
(7) | HHV= 22.3418 – (0.1136∙CF) – (0.3983∙ASH) | ||
(8) | HHV= 10.982 + (0.1136∙MV) – (0.2848∙ASH) |
Los modelos matemáticos serán aplicados a las biomasas de estudio, y se compararán con los datos experimentales del poder calorífico reportados.
En esta sección se presentan los resultados obtenidos en el presente estudio. En la sección 3.1 se discuten los análisis proximales tanto para residuos agrícolas procedentes de México como los reportados en la literatura. Posteriormente, en la sección 3.2 se analizan los resultados de la predicción de los modelos matemáticos empleando todas las biomasas de estudio, así como sólo las procedentes de México (Tabla 2).
3.1 Métodos
Los resultados del análisis proximal y del poder calorífico (HHV) se presentan en la Tabla 3, tanto para las biomasas analizadas experimentalmente, como para aquellas reportadas en la literatura.
Biomasa | Humedad (%) | Cenizas (%) | Materia volátil (%) | Carbono fijo (%) | HHV (MJ/kg) | |
Biomasas procedentes de México | ||||||
Residuos de cultivo de frijol | 8.53±0.54 6.45±0.14 | 6.22±0.23 6.59±0.21 | 93.66±0.05 86.18±0.09 | 0.12±0.28 7.23±0.30 | 15.99±0.01 16.89±0.26 | |
Cascarilla de arroz | 8.27±0.00 5.58±0.11 | 14.61±0.01 18.99±0.12 | 83.29±0.15 74.42±0.05 | 2.10±0.16 6.59±0.17 | 13.65±0.23 13.51±0.99 | |
Paja de trigo | 8.20±0.00 | 13.06±0.22 | 67.75±0.82 | 19.19±1.04 | 17.99±0.23 | |
Cascabillo de café | 8.65±0.31 9.48±0.09 | 2.62±0.04 7.67±0.11 | 90.96±0.03 90.46±0.13 | 6.42±0.07 1.87±0.24 | 14.88±0.57 16.96±0.01 | |
Biomasas reportadas en la literatura | Ref. | |||||
Fibras de coco | 10.10 | 5.65 | 65.50 | 18.75 | 15.90 | [ |
Cáscaras de coco | 5.24 | 1.21 | 75.27 | 18.28 | 17.25 | [ |
Residuos de jardín | 10.0±0.10 | 14.50±3.20 | 67.10±1.20 | 18.40±2.20 | 16.50±0.10 | [ |
Cáscara de canola | 8.10±0.20 | 8.70±0.20 | 70.40±0.90 | 12.80±0.50 | 16.60±0.10 | [ |
Torta de semillas de jatropha | 4.08 | 7.24 | 73.70 | 19.06 | 17.04 | [ |
Biocarbón de torta de semillas de jatropha | 9.28 | 13.36 | 40.02 | 46.62 | 28.30 | [ |
Cáscaras de jatropha | 10.57 | 10.84 | 71.52 | 17.64 | 14.37 | [ |
Paja de trigo | 6.90±0.60 | 5.30±0.60 | 70.80±0.90 | 17.0±0.50 | 17.70±0.50 | [ |
Paja de trigo torrefactada | 3.50 | 6.40 | 70.20 | 19.9 | 18.80 | [ |
En la Tabla 3 se observa que los valores de humedad inicial de cada biomasa se encuentran en rangos de 4-10 %, siendo la paja torrefactada la biomasa con el valor más pequeño (3.50 %) [
Por otro lado, el contenido de cenizas representa todo el material que no fue quemado, y está compuesto, principalmente, por materiales inorgánicos [
De las biomasas de estudio, la cascarilla de arroz presentó un elevado contenido de cenizas, lo cual tuvo un efecto negativo en el poder calorífico; cabe mencionar que este residuo tiene el menor HHV de todas las biomasas de estudio, por lo que el uso de la cascarilla de arroz como combustible requerirá de su mezcla con otras biomasas para poder así cumplir con el valor establecido para el contenido de cenizas en el estándar [
Por otro lado, el contenido de materia volátil de la biomasa alcanza hasta el 90 % en residuos como el de frijol y cascabillo de café, mientras que los valores mínimos se encuentran en el rango del 65-67 % para residuos de jardín y fibras de coco [
El contenido de carbono fijo de la biomasa puede relacionarse fácilmente con el poder calorífico, ya que tiene un efecto positivo en el potencial energético de la biomasa; esto se puede observar en los residuos de jatropha, donde el biocarbón de la torta de semillas presentó un valor de 46.62 % de carbono fijo y un HHV de 28.30 MJ/kg [
3.2 Resultados de la evaluación de los modelos matemáticos
La Tabla 4 muestra la estimación del HHV utilizando los modelos matemáticos mostrados en la Tabla 2; estos resultados se comparan con el HHV obtenido experimentalmente para las biomasas de México y las reportadas en la literatura. En la Tabla 4 se observa que para los residuos del cultivo de frijol (1) predice mejor el HHV, con diferencia máxima de 0.38 MJ/kg, lo cual representa 2.38 %; cabe mencionar que ambos residuos son del mismo estado, pero de cosechas de diferente año. El HHV de la cascarilla de arroz se modela mejor con (4), teniendo un error máximo de 0.32 MJ/kg (2.34 %); sin embargo, en este caso (3) tiene un menor error para el residuo de Guanajuato (diferencia de 1.39 %), mientras que (4) tiene un error equiparable en los residuos de Guanajuato y Querétaro (diferencias de 2.34 % y 2.22 %, respectivamente).
Biomasa | HHV experimental | HHV estimado | ||||||||
(1) | (2) | (3) | (4) | (5) | (6) | (7) | (8) | D. E. | ||
Biomasas procedentes de México | ||||||||||
Residuos de cultivo de frijol | 15.99 | 15.61 | 17.87 | 14.69 | 15.30 | 19.82 | 19.85 | 19.85 | 19.85 | 2.25 |
16.89 | 16.58 | 18.24 | 16.04 | 16.33 | 18.87 | 18.91 | 18.90 | 18.90 | 1.25 | |
Cascarilla de arroz | 13.65 | 14.50 | 16.40 | 13.84 | 13.97 | 16.26 | 16.29 | 16.28 | 16.28 | 1.24 |
13.51 | 14.42 | 15.84 | 14.08 | 13.81 | 14.02 | 14.04 | 14.03 | 14.03 | 0.66 | |
Paja de trigo | 17.99 | 17.24 | 17.74 | 17.45 | 16.91 | 14.95 | 15.01 | 14.96 | 14.96 | 1.35 |
Cascabillo de café | 14.88 | 17.13 | 18.95 | 16.47 | 16.97 | 20.53 | 20.59 | 20.57 | 20.57 | 2.20 |
16.96 | 15.63 | 17.70 | 14.82 | 15.29 | 19.04 | 19.08 | 19.07 | 19.07 | 1.79 | |
Biomasas reportadas en la literatura | ||||||||||
Fibras de coco | 15.90 | 14.73 | 17.20 | 16.89 | 16.32 | 32.57 | 13.99 | 17.96 | 16.81 | 5.59 |
Cáscaras de coco | 17.25 | 17.18 | 18.95 | 18.21 | 18.06 | 27.35 | 17.74 | 19.78 | 19.19 | 3.14 |
Residuos de jardín | 16.50 | 16.88 | 17.42 | 17.08 | 16.51 | 14.46 | 14.52 | 14.48 | 14.47 | 1.29 |
Cáscara de canola | 16.60 | 14.09 | 16.64 | 15.57 | 15.20 | 29.14 | 14.23 | 17.42 | 16.50 | 4.59 |
Torta de semillas de jatropha | 17.04 | 18.19 | 18.84 | 18.29 | 18.03 | 17.27 | 17.34 | 17.29 | 17.29 | 0.62 |
Biocarbón de torta de semilla | 28.30 | 21.16 | 19.38 | 22.83 | 21.10 | 11.73 | 11.84 | 11.72 | 11.72 | 6.19 |
Cáscaras de jatropha | 14.37 | 17.38 | 18.07 | 17.47 | 17.11 | 16.00 | 16.07 | 16.02 | 16.02 | 1.12 |
Paja de trigo | 17.70 | 15.70 | 17.77 | 17.09 | 16.74 | 28.27 | 15.59 | 18.30 | 17.52 | 7.23 |
Paja de trigo torrefactada | 18.80 | 17.18 | 18.39 | 18.03 | 17.64 | 22.58 | 16.19 | 17.53 | 17.13 | 6.29 |
Para la paja de trigo, la mejor predicción del HHV experimental se obtiene con (2), con una diferencia de 0.25 MJ/kg, lo cual representa una diferencia porcentual de 1.38 %; la tendencia concuerda tanto para la biomasa procedente de México como para la procedente de Chile. Esto se debe a que la paja de trigo, no procedente de México, fue empleada para la estimación de este modelo matemático. Para el cascabillo de café se observa una gran diferencia entre la predicción y el valor experimental, encontrándose las menores discrepancias en (3) y (6), con diferencias de 10.68 % y 12.5 %, respectivamente; cabe mencionar que para la variedad queretana de este residuo es (3), quien presenta un error muy grande, 12.62 %, pese a que esta biomasa fue considerada en el modelado matemático.
Para estas cuatro biomasas procedentes de México los mayores errores se observan en los modelos (5)-(8), en los cuales se consideran combinaciones entre la materia volátil, carbono fijo y cenizas; las diferencias máximas se encuentran desde valores de 3.77 %, en el caso de la cascarilla de arroz, hasta 38.37 % para el cascabillo de café. Por otra parte, (4) predice con un error aceptable la mayoría de las biomasas; este modelo sólo emplea la materia volátil y el contenido de carbono fijo, así como una débil funcionalidad indirecta del contenido de cenizas.
Es importante mencionar que la desviación promedio de (4) es 0.8784 MJ/kg, y es seguida muy de cerca por (3) con un valor de 0.8834 MJ/kg mientras que (1) tiene un valor de 0.9335 MJ/kg.
Para las biomasas obtenidas de la literatura, se observa que para la fibra de coco se podría utilizar (4), la cual presenta una diferencia de 0.42 MJ/kg (diferencia porcentual de 2.64 %) [
Para las biomasas reportadas en la literatura, en general los modelos (5) y (6) tienen las desviaciones más altas (con diferencias porcentuales desde 1.35 % hasta 104.84 %), seguidas por (7) con diferencias máximas de 58.59 %. Considerando las biomasas procedentes de otros países, (3) es la que presenta la menor desviación promedio con un valor de 1.64 MJ/kg, seguida muy de cerca con un valor de 1.7433 MJ/kg de (4), mientras que (2) y (1) presentan valores de 2.0955 MJ/kg y 2.1166 MJ/kg, respectivamente.
Considerando todas las biomasas de estudio, la Figura 2 presenta el ajuste de los datos de HHV considerando un modelo de regresión lineal por mínimos cuadrados ordinarios.
Asimismo, se presenta el coeficiente de determinación R2. De acuerdo con la Figura 2, se observa que los coeficientes de determinación para (3) y (4) fueron los más altos, con un R2 de 0.72 y 0.66, respectivamente; estos resultados son ligeramente menores que los reportados por [
De la Figura 2 se observa que, considerando todas las biomasas, (3) y (4) son las que mejor modelan el HHV con desviaciones promedio de 1.2614 MJ/kg y 1.3108 MJ/kg, respectivamente. Detrás de (3) y (4) se encuentra (1) con una desviación promedio de 1.5251 MJ/kg; esta tendencia es consistente con la que se observó en los valores de R2. En (3) fue obtenida considerando una gran cantidad de biomasas, al igual que (2); no obstante, (2) no considera una funcionalidad ni directa ni indirecta del contenido de cenizas, dado que solo considera al contenido de materia volátil y al contenido de carbono fijo. Por otra parte, la (3) sí considera una funcionalidad débil del contenido de cenizas de manera directa, mientras que (4) considera la funcionalidad de manera indirecta en el término independiente. Algo similar sucede con (1), en donde existe una funcionalidad ligeramente más fuerte del contenido de cenizas, con un valor menor a 0.2 en el coeficiente.
En contraparte, (5), (7), y (8) consideran una funcionalidad alta del contenido de ceniza (coeficientes mayores a 0.2), mientras que (6) no la considera. Tanto (2) como (5)-(8) presentan valores de R2 menores a 0.33; el menor valor de R2 (0.0347) se presenta en (5), la cual tiene la funcionalidad más fuerte del contenido de cenizas, con un coeficiente de 1.84. Por lo que, en el caso de las biomasas mexicanas, un modelo que considere una débil funcionalidad del contenido de cenizas permitirá predecir con menor desviación el HHV, en comparación con aquellos modelos en los que la dependencia es fuerte.
A pesar de ello, los valores de R2 son relativamente bajos, por lo que existe un área de oportunidad para el desarrollo de modelos matemáticos específicos para biomasas mexicanas, que permitan estimar con mayor exactitud el HHV considerando el contenido de materia volátil, de carbono fijo, así como una débil funcionalidad de la cantidad de cenizas.
Es importante mencionar que en la Figura 2 existe un punto experimental que destaca del resto (28.30 MJ/kg), el cual corresponde al poder calorífico del biocarbón de torta de semilla de jatropha curcas [
Desde el punto de vista físico, de acuerdo con la norma ISO 18125 [
Por ello, cuando el contenido de cenizas es considerado con un alto peso para correlacionar al poder calorífico, puede sobreestimarlo o subestimarlo de manera significativa; esta situación es la que se presenta en los casos de estudio analizados en el presente trabajo.
De allí que la recomendación es el desarrollo de modelos que consideren el contenido de carbono fijo, el contenido de materia volátil y un término independiente; en este último término pueden agruparse los efectos de otras variables como la humedad y el contenido de cenizas.
En este trabajo se realizó un estudio comparativo de los modelos matemáticos lineales reportados para la predicción del poder calorífico con base en el análisis proximal; este estudio se realizó considerando datos de residuos agrícolas mexicanos. Los resultados muestran que, para residuos agrícolas mexicanos, el mejor modelo es aquel que considera solo el contenido de materia volátil y carbón fijo, así como una débil dependencia indirecta del contenido de cenizas. Se observa que cuando el contenido de cenizas es considerado con un alto peso para correlacionar al poder calorífico, puede sobreestimarlo o subestimarlo de manera significativa. Lo anterior se debe a que el contenido de cenizas no sólo depende de las condiciones de cultivo o composición de la biomasa, sino de otros factores relacionados con el manejo, almacenamiento y transporte de la biomasa; por ello, se sugiere considerar una débil dependencia de este factor, ya que es altamente variable y afecta de manera significativa la predicción del poder calorífico. Para los modelos reportados en la literatura se presentan correlaciones bajas para los residuos agrícolas mexicanos, por lo que el desarrollo de modelos matemáticos representa un área de oportunidad, la cual puede ser explotada con base en los hallazgos del presente estudio.
Se agradece el apoyo financiero brindado por CONACyT mediante la beca de manutención para estudios de posgrado de L. A. Rodríguez Romero. Adicionalmente, los autores agradecen el apoyo financiero brindado por la Universidad Autónoma de Querétaro a través del Fondo de Investigación Vinculada a la Atención de Problemas Nacionales 2021 de la Facultad de Ingeniería para el desarrollo de este proyecto.
Los autores declaran que no existe ningún conflicto de interés.
Luis Antonio Rodríguez Romero realizó el desarrollo de la investigación y contribuyó en la redacción del manuscrito.
Claudia Gutiérrez-Antonio estuvo a cargo de la conceptualización de la investigación, la supervisión del desarrollo de la investigación, el análisis de los resultados, así como de la redacción y revisión final del manuscrito.
Juan Fernando García Trejo llevó a cabo determinaciones experimentales, análisis de los resultados de la investigación y contribuyó a la redacción del manuscrito.
Ana Angélica Feregrino-Pérez realizó determinaciones experimentales, análisis de los resultados de la investigación y contribuyó también a la redacción del manuscrito.