Het verkleinen van biomassa tot een stabiele deeltjesgrootte is een vaste stap richting biobrandstoffen en biobased producten. In de praktijk ontstaan verstoppingen, wisselende deeltjesverdeling en slijtage van machines. Het Amerikaanse bio energieloket BETO noemt materiaalhandling al jaren een rem op grootschalige productie. Nieuwe rekenmodellen van Idaho National Laboratory richten zich op dat knelpunt.
Onderzoekers combineren metingen aan stengels met een deeltjesmodel dat het gedrag van duizenden kleine stukjes materiaal nabootst, en met een lerend rekenmodel dat patronen uit de data haalt. Zo voorspellen zij het gedrag van materiaal in de messenmaalder en de evolutie van de deeltjesgrootte. Twee factoren wegen zwaarder dan vaak wordt gedacht, de maaswijdte van het uitlaatscherm en het vochtgehalte van het aangevoerde materiaal. Door vocht expliciet als invoer op te nemen, worden voorspellingen nauwkeuriger en herhaalbaar. INL meldt dat een deep neural operator model, een geavanceerd neuraal netwerk dat relaties in het proces leert, hoge nauwkeurigheid haalt, zolang de brondata representatief zijn. Dat verkort de stap van ontwerp naar praktijkproef en vermindert het aantal dure testen op volle schaal.
Toepassing in Europese installaties
Houtchips en landbouwresten in Europese ketens laten vergelijkbare variatie zien in vorm en vocht. Modellen die schermkeuze en voor droging optimaliseren, verkleinen de kans op stilstand door verstopping en beperken het energiegebruik van de maalstap. De boodschap is pragmatisch. Niet een zwaardere motor maakt het verschil, wel betere data en instellingen rond vocht en zeef. Dit sluit aan bij het werk van het Feedstock Conversion Interface Consortium, dat variatie in biogrondstoffen wil beheersen van veld tot reactor. INL verwijst naar faciliteiten waar industrie en onderzoekers samen testen, zoals de Biomass Feedstock National User Facility. Daar worden virtuele en fysieke proeven gekoppeld, wat het ontwerp van pre processing versnelt.
Deze stap is relevant omdat malen in veel installaties een merkbaar deel van het stroomverbruik opslokt en verstoringen verderop in de keten veroorzaakt. Een stabielere deeltjesgrootte levert gelijkmatiger drogen, vergassen of vergisten op, met minder noodstoppen en minder slijtage aan transport en zeven. In projecten waar elke procent doorvoer telt, kan een beter afgesteld maalproces het verschil maken tussen proefbedrijf en rendabele operatie.
In de praktijk werkt het zo. De onderzoekers voeden een fysisch model dat individuele deeltjes volgt met metingen aan daadwerkelijk materiaal. Dat levert inzicht in hoe stengels knikken, scheuren en breken. Bovenop die laag draait een snel rekenmodel dat als plaatsvervanger fungeert. Daarmee kunnen engineers in korte tijd veel scenario’s doorrekenen, bijvoorbeeld andere schermmaten of een hoger vochtgehalte, zonder dat telkens een proefrun op volle schaal nodig is. Het resultaat is een kortere iteratie tussen ontwerp en realiteit en een lagere testbelasting van de installatie.
De testcampagne richtte zich op maïsresten, een veelgebruikte reststroom in de Verenigde Staten. De opstelling in de Process Development Unit liet variëren met verschillende zeven en vochtgehalten, zodat het model niet alleen het gemiddelde, maar ook de verdeling van deeltjesgrootte leert. Die aanpak sluit aan bij het idee dat materiaalgedrag niet constant is, maar afhangt van seizoen, opslag en logistiek.
Voor Europese installaties blijft de kern hetzelfde. Houtchips voor warmtenetten, bermgras in vergisters of stro als bijmenging kennen dezelfde variatie. Door bij aanvoer het vocht te meten en het model te gebruiken als beslissteun kan een operator de zeefkeuze en het toerental vooraf inregelen. In natte periodes betekent dat eerst drogen of een fijnere zeef vermijden, in drogere maanden kan juist fijner worden gewerkt. Het model vormt zo een digitale tweeling van de maalstap, bruikbaar in opleiding en in de dagelijkse operatie.
Een logische vervolgstap is kalibratie per grondstof. Populier, wilg of dennenhout gedragen zich anders dan maïsresten. Door meetdata uit Europese stromen toe te voegen, groeit de bruikbaarheid. Samenwerking met machinebouwers ligt voor de hand, zodat sensoren voor vocht en deeltjesgrootte standaard in nieuwe lijnen worden meegeleverd. Dat maakt van een zwakke schakel een voorspelbare processtap.
Bron, INL feature story, 17 november 2025
https://inl.gov/feature-story/modeling-better-biomass-milling/
Beeld gemaakt met AI.
