Spektroskopia bliskiej podczerwieni do przewidywania zawartości wilgoci w mieszanej z glebą biomasie drzewnej

Dlaczego wilgotność paliwa drzewnego ma znaczenie

W miarę jak społeczeństwa poszukują czystszej energii, zrębki drewna i inne pozostałości roślinne stają się istotnymi źródłami paliwa. Istnieje jednak prosty szczegół, który może zdecydować o ich przydatności: ile w nich jest wody. Zbyt duża wilgotność oznacza mniej energii, większe ryzyko pleśni, a nawet możliwość samozagrzewania i pożarów podczas przechowywania. Problem nasila się, gdy podczas zbioru do drewna miesza się ziemia. W badaniu sprawdzono, czy metoda oparta na świetle — spektroskopia bliskiej podczerwieni (NIR) — może szybko zmierzyć wilgotność w takich zanieczyszczonych glebą stosach biomasy, oferując szybszą alternatywę dla czasochłonnych testów piecowych.

Z leśnych pozostałości do próbek badawczych

Naukowcy skupili się na dwóch typach biomasy reprezentujących powszechne źródła paliwa. Pierwsze to pozostałości po ścince — gałęzie i wierzchołki pozostałe po ścince drzew. To gęste, zdrewniałe fragmenty o sztywnych ścianach komórkowych i relatywnie stabilnej strukturze. Drugie to sorgo zwyczajne, wysoka trawa o bardziej porowatej tkance i wysokiej zawartości cukrów. Sorgo zachowuje się pod wpływem światła inaczej, dlatego dobrze reprezentuje rośliny zielone wykorzystywane w bioenergii. Aby odzwierciedlić warunki rzeczywiste, zespół wysuszył wszystkie próbki, a następnie ponownie je zwilżył w komorze klimatycznej ustawionej na różne temperatury i wilgotności, tworząc szeroki zakres zawartości wilgoci od około 3% do 16%.

Dodawanie realistycznej ziemi

W rzeczywistych pracach leśnych biomasa rzadko pozostaje czysta. Gleba przylega do gałęzi ciągniętych po ziemi lub przechowywanych w odkrytych stosach. Aby oddać te realia, naukowcy ostrożnie zmieszali kontrolowaną glebę leśną z biomasą na sześciu poziomach: 0, 1, 5, 10, 20 i 30% masowo. Niższe poziomy przypominają czyste operacje; wyższe reprezentują mocno zanieczyszczone stosy. Dla każdej kombinacji typu biomasy i poziomu gleby uformowali zwarte, jednolite „placki” w formie. Ten etap zmniejszył wpływ nieregularnej gęstości ubijania, która mogłaby zaburzać przechodzenie światła przez materiał i mylić pomiary wilgotności.

Oświetlanie i oczyszczanie sygnału

Następnie zespół zmierzył, jak próbki odbijają światło w bliskiej podczerwieni w zakresie długości fal od 870 do 2500 nanometrów. Woda w biomasie silnie absorbuje światło przy pewnych długościach fal, więc wzór odbicia zawiera wskazówki dotyczące zawartości wilgoci. Cząstki gleby i nierówne powierzchnie rozpraszają jednak światło, dodając „szum” do sygnału. Aby sobie z tym poradzić, badacze zastosowali dwa etapy oczyszczania danych w widmach. Pierwszy, zwany Standaryzacją Normalnej Zmiennej (SNV), usuwa dużą część wariacji spowodowanej rozpraszaniem i nierówną powierzchnią próbek. Drugi, filtr drugiej pochodnej Savitzky’ego–Golaya, wyostrza zachodzące na siebie pasma i spłaszcza dryfty tła. Razem te kroki sprawiają, że ukryte sygnatury wilgoci stają się wyraźniejsze.

Przekształcanie wzorców świetlnych w liczby wilgotności

Po oczyszczeniu widm badacze użyli metody statystycznej znanej jako regresja metodą najmniejszych kwadratów cząstkowych (PLS), aby powiązać wzorce świetlne z rzeczywistymi zawartościami wilgoci zmierzonymi metodą piecową. Stwierdzili, że dla pozostałości po ścince kombinacja SNV i Savitzky’ego–Golaya dała najlepsze wyniki, a wartości przewidywane dobrze odpowiadały rzeczywistym poziomom wilgoci. Sorgo, ze swoją bardziej złożoną strukturą i bogatą chemią cukrów, okazało się trudniejsze do modelowania, ale nadal dało wyniki o rozsądnej dokładności. Co ważne, jakość modeli pozostawała dość stabilna nawet gdy zawartość gleby wzrastała od 0 do 30%, co pokazuje, że kroki wstępnego przetwarzania skutecznie zmniejszyły zakłócający wpływ brudu. Gdy dane pogrupowano według znanego poziomu zanieczyszczenia glebą, dokładność jeszcze się poprawiła, co sugeruje, że uwzględnienie informacji o zanieczyszczeniu może udoskonalić przewidywania.

Co to oznacza dla praktycznego wykorzystania biomasy

Badanie pokazuje, że spektroskopia bliskiej podczerwieni w połączeniu z inteligentnym oczyszczaniem danych może szybko i niedestrukcyjnie oszacować wilgotność drewnianej biomasy zanieczyszczonej glebą. Dla operatorów zarządzających pozostałościami leśnymi lub roślinami energetycznymi może to oznaczać kontrolę jakości przyjmowanych ładunków w ciągu sekund zamiast godzin, co pomaga zapobiegać psuciu się, poprawić efektywność spalania i zmniejszyć ryzyko bezpieczeństwa. Metoda nie jest jeszcze doskonała: miała trudności z precyzyjnym określeniem ilości obecnej gleby, a testy ograniczono do jednego typu gleby i warunków laboratoryjnych. Mimo to wyniki wskazują na praktyczne przenośne lub stacjonarne urządzenia NIR, które mogłyby monitorować wilgotność w czasie rzeczywistym w łańcuchach dostaw biomasy, czyniąc odnawialne paliwa stałe bardziej niezawodnymi i wydajnymi.

Cytowanie: Batjargal, BU., Kang, M., Cho, Y. et al. Near-infrared spectroscopy for moisture content prediction in soil-mixed woody biomass. Sci Rep 16, 6096 (2026). https://doi.org/10.1038/s41598-026-36901-8

Słowa kluczowe: spektroskopia bliskiej podczerwieni, wilgotność biomasy, resztki drzewne, zanieczyszczenie glebą, bioenergia