Samrötning mikroalger slam BMP-försök 35 dagar inblandning 0, 12, 25, 37 % mikroalger i slam från Västerås RV

(1)

Forskning – MDH

Erik Dahlquist, Monica Odlare, Emma Nehrenheim, Veronica Ribe´, Lena Johansson- Westholm, Eva Thorin,

PhD-students: Jesper Olsson, Ivo Krustok, Eva Nordlander

(2)

Samrötning mikroalger – slam

2

BMP-försök 35 dagar – inblandning 0, 12, 25, 37 % mikroalger i slam från Västerås RV

Syfte: Utvärdering av gasutbyte med olika inblandning av mikroalger under mesofila och termofila förhållanden

(3)

Samrötning mikroalger – slam – Fortsatta studier 2013

3

1. BMP-försök – Upprepa föregående försök för verifiering av resultat

2. Uppodling av mikroalger på

rejektvatten, förbehandling samt BMP- försök

3. Urval av bästa förbehandling samt inblandning av olika andelar

mikroalger i BMP-försök

(4)

Pilotförsök – Termofil efterrötning av mesofilt rötat slam

4

(5)

Pilotförsök våren 2013

5

Befintliga mesofila rötkammare, total aktiv volym 5400-5500 m3

Mekanisk förtjockning från 3-9 % TS

Termofil rötkammare

5 dm3 C

Satsvis input/output för hygienisering 2-6 h B

A

Avvattning

(6)

Pilotförsök

hösten/våren 2012

6

Syftet med projektet:

1. Förändring av avvattningsegenskaperna på rötslammet efter olika processteg

2. Ytterligare utrötningsgrad av slammet i efterrötningsanläggningen

3. Viskositetsförändringar av slammet efter förtjockning och termofil rötning

4. Påverkan från höga ammoniumhalter på den termofila rötningen då uppehållstiden endast är 10 respektive 20 dygn

(7)

WABB-projekt – Waste to biogas in Bolivia

7

Samarbetsprojekt mellan KTH, CPTS (a Bolivian non-profit organisation), GAMLP (the municipality of La Paz), MDH och

VAFAB

Projektet and finansierat av Nordic Development Fund (NDF)

(8)

WABB-projekt – Waste to biogas in Bolivia

8

MDH roll:

Genomföra en ”Techno-Economic

feasability study” för La Paz och El Alto Resultat: Tre steg utarbetades för

implementering av biogasproduktion:

1. Active extraction of landfill gas 2. Dry-digestion of mixed waste

3. Dry-digestion of locally separated waste

(9)

Real-Time Estimation of

Ammonia Monooxygenase Enzymatic Activity with

Ammonium Ion Selective

Electrode

(10)

The goal is to estiamte the activity of the ammonia monooxygenase enzyme in real time by measuring the decrease of ammonium and increase of nitrate.

So far tests with sewage sludge have not been successful.

A preliminary test done with algae grown on wastewater showed promise so we are still experimenting with the method.

(11)

Protocol

1. Algae was filtered after growing in lake water/wastewater mixture and then washed on the filter with distilled water.

2. Filtered algae were re-suspended in 25 ml of tap water.

3. A pillow of ammonium ionic strength adjustment (ISA) liquid was added and the solution was placed on a magnetic stirrer.

4. Ammonium ISE was inserted in the solution and the baseline was read.

5. Readings were taken every 10 seconds for 15 minutes.

6. After 2-3 base level readings 1 ml of 100 mg/L Ammonium standard solution was added (Test 1).

7. After the first reading cycle the 100 mg/L Ammonium standard solution was added again and another 15 minutes of readings were done (Test 2).

(12)

Results

0.00 0.50 1.00 1.50 2.00 2.50 3.00 3.50 4.00 4.50

0 200 400 600 800 1000

Ammonium conc. (mg/l)

Time (sec)

Algae Test 1

0.00 0.50 1.00 1.50 2.00 2.50 3.00 3.50 4.00

0 200 400 600 800 1000

Ammonium conc- (mg/l)

Time (sec)

Algae Test 2

(13)

(14)

Photobioreactors

● 4 reactors with the ability to control stirring and temperature were used with the following content, with a ratio of 70/30:

14

Reactor 1 Reactor 2 Reactor 3 Reactor 4

Wastewater Wastewater (Sterilized)

Lake Water + Waste water (Not Sterilized)

Waste water + Sterilized water

● Lighting conditions: 18 hours of light, 6 hours of dark;

● CO₂ was taken from the atmosphere + Air pumped in 3 L/min;

● Constant stirring of around 350 rpm was added to all reactors;

● Temperature 23°C;

● Samples were taken for:

● Nutrient and heavy metal analysis in the beginning and the end;

● Chlorophyll analysis;

● Microbial community analysis;

● Algae community analysis;

(15)

15

NH4 mg/l Inflow Outflow Change PE%

Wastewater 39 1.56 -37.44 -96.0

Wastewater

(sterilized) 20.7 1.58 -19.12 -92.4 Wastewater +

Lakewater 29 1.1 -27.9 -96.2

Wastewater +

Sterilized water 28.5 1.33 -27.17 -95.3

NO3 mg/l Inflow Outflow Change PE%

Wastewater 7.2 34.2 27 375.0

Wastewater

(sterilized) 10 1.63 -8.37 -83.7 Wastewater +

Lakewater 4.61 1.8 -2.81 -61.0

Wastewater +

Sterilized water 4.51 38.3 33.79 749.2 0

5 10 15 20 25 30 35 40 45

Wastewater Wastewater (sterilized)

Wastewater + Lakewater

Wastewater + Sterilized

water Inflow Outflow

0 5 10 15 20 25 30 35 40 45

Wastewater Wastewater (sterilized)

Wastewater + Lakewater

Wastewater + Sterilized

water Inflow Outflow

Ammonium Nitrate

(16)

Photobioreactors

16

0 500 1000 1500 2000 2500 3000 3500 4000

0 4 8 12 16

Chlorophyll–a mg/l

Days

Chlorophyll-a concentration

WW WW Ster WW+LW WW+Water

0 200000000 400000000 600000000 800000000 1000000000

0 4 8 12 16

16S rRNA gene copies/ml

Days

16S rRNA gene copy numbers

WW WW Ster WW+LW WW+Water

(17)

(18)

Lake Mälaren

and the Baltic Sea

18

Mälaren

Sweden’s third largest lake 1120 km2

Average depth of 13 m (max 66 m)

Increasingly eutrophic Algal bloom

(19)

Experimental setup

Laboratory experiment

– Conical flasks – Aquarium

Water from Mälaren Nutrient addition

Growth chamber 22°C, consistent light

19

(20)

Proportion of food waste / algae

20

FW A

FW = food waste A = algae

Total amount of organic substrate:

2.5 g VS

Total volume of fermented mtrl:

700 ml

FW A

0% algae

12% algae

25% algae

37% algae

(21)

Results (biogas production)

21

0 20 40 60 80 100 120

1 3 5 7

ml biogas

Days

0% algae 12% algae 25% algae 37% algae

(22)

Increasing biogas plant efficiency through

modeling

Eva Nordlander

Mälardalen University

Biogas workshop, Ekenäs 19-20 nov

2011-08-18

(23)

Artificial Neural network

●Making use of the existing data from the biogas plant

●3 years of measurements -> 110 data points

●60 data points randomly chosen for training

●50 data points randomly chosen for validation

Weekly Daily

Volatile fatty acids (VFA) Amount of biogas produced

Total solids (TS) Substrate feed to digester

Ash content of TS Temperature

pH Alkalinity Ammonium

Sum of production for entire week Sum of feed for entire week Average for entire week

(24)

ANN results

(25)

ANN results- continued

Average percent

error (%)

Maximum percent error

(%)

Minimum percent

error (%)

Standard deviation

(Nm³⁾

Standard deviation/average

real biogas production

(%)

ADALINE 4 nodes 15.7 190.0 0.2 6721.1 16.9

ADALINE 8 nodes 16.2 180.0 0.2 6550.2 16.4

Multilayer 19.0 286.0 0.1 7807.1 19.6

(26)

ADALINE 8 nodes weights

Input parameter

Weight on output node (biogas produced)

Total solids (TS) -0.029

Ash content of total solids 0.063

pH 0.590

Volatile fatty acids (VFA) 0.050

Alkalinity 0.025

Ammonium 0.085

Temperature 0.289

Amount of substrate feed to digester 0.131

(27)

Kinetic models

Model

Input Output

Pro:

- Works according to selected equations - Do not need large amounts of data

Con:

- Never better than current process knowledge

(28)

ADM1 – Anaerobic digestion model no 1

● Created by IWA task group in 2002

● Most wellknown model

(29)

Kinetic model –preliminary results

(30)

Long time to stabilize

(31)

Near future

●Finish validate ADM1-model

●Use data from Växtkraft for simulation of ADM1-model

●Compare with simple kinetic model

●Do improvements to ANN network

(32)

32 Fältförsök (ORC)

(33)

33 Krukförsök

(34)

34 Fältförsök

A. Kompost + N B. Biogödsel + N C. Slam + N

D. Svinflyt + N E. Kogödsel + N F. NPS

G. Ogödslat H. Kompost I. Biogödsel

Alla behandlingar (förutom G) motsvarar 100 kg N/ha

(35)

35 ORC-försöket

(36)

36 Skörd 1999-2004 (kg/ha)

0 500 1000 1500 2000 2500 3000 3500

A B C D E F G H I

Yield of oats (kg ha-1 )

0 500 1000 1500 2000 2500 3000 3500

A B C D E F G H I

Yield of barely (kg ha-1 )

Havre Korn

ab

ab ab

a a

ab

c c

b

ab ab a ab a a

d c

b

Statistisk signifikans indikeras med olika bokstäver (Tukey´s p=0.05)

(37)

37 Markbiologi (1999-2004)

C50 BR50 SS PM CM NPS Cont

rol C100 BR100 SIR (mg CO2 kg-1 ts h-1 , min-1 )

0 1 2 3 4 5 6

C50 BR50 SS PM CM NPS Cont

rol C100 BR100 PAO (ng NO2 g-1 ts min-1 )

0 2 4 6

Respiration

Kvävemineralisering Nitrifikation

b a

b

a a

a

b

C50 BR50 SS PM CM NPS

Control C100 BR10

0

µPDA

0,0 0,1 0,2 0,3

a

b

C50 BR50 SS PM CM NPS Contr

ol C100 BR100 N-min (µg NH4-N g-1 ts 10-1 days)

0 5 10 15 20 25

c

ab a

bc

Denitrifikation

(38)

38 Markkemi (1999-2005)

Kompost ökade pH i marken

Alla restprodukter ökade mängden P-AL och K-AL

Kompost ökade mullhalten i marken (men

det tog 6 år)

(39)

39 Slutsatser från försöken?

Inga negativa effekter av kompost, biogödsel eller slam

Biogödsel bäst

Mikrobiella metoder bra

Multivariat statistik effektivt

(40)

Inga skillnader i upptag!

Bly

0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0,16 0,18

Slam NPS Kompost Rötrest Ogödslat

Zink

0 5 10 15 20 25 30

Krom

0 0,02 0,04 0,06 0,08 0,1 0,12

Slam NPS Kompost Rötrest Ogödslat Kadmium

0 0,01 0,02 0,03 0,04 0,05 0,06

(41)

Mikrobiell aktivitet i mark

0 20 40 60 80 100 120 140 160

Aktivitet av AOB i mark (% av kontroll)

(42)

Temperaturen spelar roll

Fenoler och ftalater bryts ned vid 37C Dioxiner bryts ned vid 55C

Pesticider bryts ned vid 55 C

–Ingen skillnad mellan kompost och rötrest –Låga halter

–Under gränsvärden för frukt –Kan ackumuleras i marken

Kompostering (ca 70C)

– de flesta föroreningar bryts ned

(43)

Mängd tungmetaller i restprodukterna

g ha^-1 år^-1 Kompost Rötrest Slam Jorden Fördubblingstid Kompost

Cu 340 35 90 51000 150

Zn 1030 115 380 181000 175

Cd 2 0.2 0.6 560 280

Ni 44 6 12 74000 1700

Pb 120 5 10 48000 400

Cr 81 13 24 40700 500