Reattori multifase: modellazione tramite CFD e Machine Learning = Multiphase reactors: modeling through CFD and Machine Learning

La lotta al cambiamento climatico rappresenta una delle sfide più urgenti e complesse del mondo contemporaneo. L’eccessiva emissione nell’atmosfera terrestre dei gas serra (GHG), dovuta ad una incontrollata intensificazione delle attività umane, ha portato ad un riscaldamento globale significativo. La comunità scientifica concorda nell’attribuire le cause del cambiamento climatico alle emissioni di tali gas di origine antropica, responsabili dell’effetto serra. Risulta dunque fondamentale adottare dei combustibili “green” che permetteranno di raggiungere nel tempo l’indipendenza dal fossile. Una delle molteplici soluzioni che sono state studiate per produrre dei combustibili green consiste nell’integrazione di un processo di biometanazione (BHM) a valle di un impianto di digestione anaerobica (AD), con lo scopo di produrre biometano [CO2 + 4 H2 -> CH4 + 2 H2O]. In letteratura scientifica sono state proposte differenti configurazioni reattoristiche per implementare questo sistema; tra le più promettenti, risalta la BHM condotta in reattori trickle-bed (TBR). Il processo di biometanazione prevede il decorrere di una reazione che avviene tra idrogeno (proveniente da un impianto di elettrolisi dell’acqua) e anidride carbonica (fornita dall’impianto di digestione anaerobica) e che sfrutta come catalizzatore dei batteri idrogenotrofi metanogeni. La reazione di BHM condotta in un reattore TBR rappresenta dunque un sistema in cui un fluido multifase (idrogeno, anidride carbonica e acqua) attraversa un mezzo poroso (impaccamento di batteri metanogeni). In questo lavoro sono state svolte delle campagne di simulazioni di Computational Fluid Dynamics (CFD) per studiare il comportamento di un flusso bifase (aria e acqua) attraverso un mezzo poroso, elemento costituente di un reattore TBR, al variare di opportuni parametri operativi. Successivamente, è stato valutato l’utilizzo di modelli data-driven di tipo “deep neural network” (DNN), allenati con i dati ricavati dalle simulazioni di CFD, per identificare delle relazioni che permettessero di predire la permeabilità di un dato mezzo poroso, note solo le condizioni operative (gradiente di pressione e saturazione dell’acqua) e la geometria del mezzo poroso stesso. I mezzi porosi oggetto delle simulazioni di CFD sono stati generati tramite il software open-source Yade. Lo studio della fluidodinamica del sistema è stato condotto grazie al software open-source di CFD OpenFOAM. I modelli data-driven sono stati sviluppati tramite la libreria python sklearn. I risultati delle simulazioni di CFD si sono dimostrati coerenti con i modelli teorici relativi agli studi della permeabilità relativa in sistemi bifase (legge di Darcy applicata a sistemi multifase). Sarà necessario continuare questo studio implementando la simulazione dello scambio di materia e di energia dovuto allo svolgersi della reazione di biometanazione che avviene nel reattore TBR, affiancando i relativi risultati ad un adeguato modello alla macroscala.