2018 04 Negri Alessandro

Politecnico di Milano
SCUOLA DI INGEGNERIA INDUSTRIALE E DELL’INFORMAZIONE (3I)

Corso di Laurea Magistrale in Automation and Control Engineering - Ingegneria dell’Automazione
Tesi di Laurea Magistrale
Modellizzazione e Controllo di un Reattore a Biogas
Relatore Candidato
Prof. Gianni Ferretti Alessandro Negri
Matr.852476
Correlatori
Prof. Albero Leva
Prof. Elena Ficara
Anno Accademico 2017–2018

Alessandro Negri: Modellizzazione e Controllo di un Reattore a Biogas | Tesi di
Laurea Magistrale in Automation and Control Engineering - Ingegneria dell’Auto-
mazione, Politecnico di Milano.
© Copyright Aprile 2018.
Politecnico di Milano:
https://www.polimi.it/
Ingegneria Industriale e dell’Informazione (3I):
http://www.ingindinf.polimi.it/
Ringraziamenti
Molte sono le persone che devo ringraziare per avermi seguito in questo percorso
di tesi e senza delle quali non sarei mai riuscito a realizzare questo lavoro, ma vorrei
ancor più ringraziare tutti quegli amici e famigliari che mi sono stati vicini in questi
anni di studio universitario rendendolo ogni giorno una piacevole avventura.
In particolare desidero ringraziare il prof. Gianni Ferretti per avermi dato la
possibilità di poter collaborare e far parte del progetto, il prof. Alberto Leva e la
prof. Elena Ficara per il prezioso supporto offerto e colgo in particolare l’occasione
per ringraziare la dottoranda Viola Corbellini per la sua pazienza e disponibilità
nell’aiutarmi, sopratutto con gli esperimenti di laboratorio da lei seguiti. Vorrei
inoltre ringraziare l’ing. Alessandro Della Bona per aver creato e messo a disposizione
il suo Toolbox per l’identificazione dei parametri di sistemi LFT, oltre a tutte quelle
persone che come me hanno lavorato sul Toolbox stesso, rendendo questo strumento
sempre migliore.
Una dedica speciale ai miei amici e famigliari, in particolare mio fratello Davide, che
ogni giorno hanno condiviso con me gioie, sacrifici e successi, senza voltarmi mai le
spalle. L’affetto e il sostegno che mi hanno dimostrato rendono questo traguardo
ancora più prezioso.
Milano, Aprile 2018 A. N.
iii
Indice
Introduzione 1
1 Digestione anaerobica: il processo e l’impianto 7

1.1 La digestione anaerobica . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Disintegrazione e idrolisi . . . . . . . . . . . . . . . . . . . . 9
1.1.2 Acidogenesi . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.3 Acetogenesi . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.4 Metanogenesi . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Il reattore o digestore anaerobico . . . . . . . . . . . . . . . . . . . 10
2 Modellistica dei processi di digestione anaerobica 13

2.1 Anaerobic Digestion Model No.1 (ADM1) . . . . . . . . . . . . . . 13
2.2 AMOCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Modello AMOCO modificato . . . . . . . . . . . . . . . . . . . . . . 20
3 Identificazione parametrica 23
3.0.1 Biochemical Methane Potential (BMP) . . . . . . . . . . . . 24
3.0.2 Linear Fractional Transformation (LFT) . . . . . . . . . . . 31
4 Controllo 39
4.1 Regolatori PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.1.1 Modello, realizzazione e taratura dei regolatori PID . . . . . 41
4.1.2 Controllore PI/PID per il solo controllo della produzione di
metano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.1.3 Controllore PI/PID con compensazione dei VFA . . . . . . . 50
4.1.4 Controllore PI/PID in cascata . . . . . . . . . . . . . . . . . 53
Conclusioni 57
A Matrice di Petersen 59
B Parametri modello 65
C Analisi e strumentazione di laboratorio 67

C.0.1 Biochemical Methane Potential (BMP): Descrizione e
procedura con AMPTS . . . . . . . . . . . . . . . . . . . . . 67
C.0.2 Sperimentazione sull’impianto a biogas UIT-BTP2 . . . . . . 69
v
vi INDICE
D Codice MATLAB per l’identificazione di BMP 73
E Trasformazione Lineare Frazionaria 77

E.1 Modello LFT (Sistema, Vettori, Matrici) . . . . . . . . . . . . . . . 77
E.2 Algoritmo LFT: normalizzazione e codici MATLAB . . . . . . . . . 78
F Metodi di Taratura Automatica (PID) 85
Bibliografia 89
Riferimenti citati nel testo . . . . . . . . . . . . . . . . . . . . . . . . . . 89
Pubblicazioni e Manuali . . . . . . . . . . . . . . . . . . . . . . . . 89
Ulteriore materiale consultato . . . . . . . . . . . . . . . . . . . . . . . . 93
Pubblicazioni e Manuali . . . . . . . . . . . . . . . . . . . . . . . . 93
Elenco delle figure
1 Schema di impianto di biogas . . . . . . . . . . . . . . . . . . . . . 1
1.1 Schema delle fasi della digestione anaerobica . . . . . . . . . . . . . 8

1.2 Digestore a singolo stadio . . . . . . . . . . . . . . . . . . . . . . . 10
3.1 Produzione gas metano, BMP . . . . . . . . . . . . . . . . . . . . . 25

3.2 Identificazione BMP (PRIMO ORDINE) . . . . . . . . . . . . . . . 26
3.3 Identificazione BMP (SECONDO ORDINE) . . . . . . . . . . . . . 27
3.4 Simulazione con parametri BMP . . . . . . . . . . . . . . . . . . . . 30
3.5 Schema di simulazione LFT . . . . . . . . . . . . . . . . . . . . . . 33
3.6 Simulazione con parametri LFT (Validazione R1) . . . . . . . . . . 37
3.7 Simulazione con parametri LFT (Validazione R2) . . . . . . . . . . 37
4.1 Controllore PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.2 Risposta allo scalino della produzione di CH4 sul Plant (AMOCO
modificato) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3 Simulazione del sistema controllato (PI classico, tempo continuo) . 46
4.4 Simulazione del sistema controllato (PI classico, digitale) . . . . . . 48
4.5 Simulazione del sistema controllato (PI classico, Gain Scheduling,
digitale) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.6 Concentrazione VFA, controllo PI classico . . . . . . . . . . . . . . 50
4.7 Controllore PID con compensazione . . . . . . . . . . . . . . . . . . 51
4.8 Simulazione del sistema controllato (PI compensato, analogico) . . . 52
4.9 Concentrazione VFA, controllo PI compensato . . . . . . . . . . . . 52
4.10 Sistema con controllo a cascata . . . . . . . . . . . . . . . . . . . . 53
4.11 Risposta allo scalino dei VFA sul Plant (AMOCO modificato) . . . 54
4.12 Simulazione del sistema controllato (PI a cascata, digitale) . . . . . 55
A.1 Matrice di Petersen ADM1 (01) . . . . . . . . . . . . . . . . . . . . 60

A.2 Matrice di Petersen ADM1 (02) . . . . . . . . . . . . . . . . . . . . 61
A.3 Matrice di Petersen AMOCO . . . . . . . . . . . . . . . . . . . . . 62
C.1 AMTPS (Automated Methane Potential Test System) . . . . . . . . 67

C.2 AMTPS: Schema Operativo . . . . . . . . . . . . . . . . . . . . . . 68
C.3 BTP2-Control (Biogas Test Plant) . . . . . . . . . . . . . . . . . . 70
F.1 Taratura ZN in anello chiuso . . . . . . . . . . . . . . . . . . . . . . 85

F.2 Metodo della tangente (risposta allo scalino) . . . . . . . . . . . . . 86
F.3 Metodo delle aree (risposta allo scalino) . . . . . . . . . . . . . . . . 86
vii
Elenco delle tabelle
1 Regole empiriche per la valutazione dei rapporti FOS/TAC . . . . . 5
2.1 Lista delle variabili del modello ADM1. . . . . . . . . . . . . . . . 15

2.2 Lista dei processi del modello ADM1. . . . . . . . . . . . . . . . . 15
3.1 Identificazione BMP (primo ordine) . . . . . . . . . . . . . . . . . . 26

3.2 Identificazione BMP (secondo ordine) . . . . . . . . . . . . . . . . . 27
3.3 Tabella dei valori identificati dalle analisi di BMP . . . . . . . . . . 29
3.4 Tabella dei valori ricavati dall’identificazione LFT . . . . . . . . . . 36
3.5 Tabella dei gli indici TIC . . . . . . . . . . . . . . . . . . . . . . . . 38
4.1 Limiti di portata sulle matrici di alimentazione. . . . . . . . . . . . 44

4.2 Parametri del regolatore PI classico (analogico). . . . . . . . . . . . 46
4.3 Parametri del regolatore PI digitale. . . . . . . . . . . . . . . . . . . 48
4.4 Parametri del regolatore PI digitale con schedulazione. . . . . . . . 49
4.5 Parametri del regolatore PI compensato (analogico). . . . . . . . . . 52
4.6 Parametri dei regolatori digitali del controllo a cascata. . . . . . . . 54
A.1 Matrice di Petersen AMOCO Modificato . . . . . . . . . . . . . . . 63
B.1 Elenco completo dei parametri iniziali . . . . . . . . . . . . . . . . . 66
C.1 Tabella andamento scenari di sperimentazione . . . . . . . . . . . . 71
F.1 Regole di taratura di ZN in anello chiuso. . . . . . . . 85

F.2 Regole di taratura di ZN in anello aperto. . . . . . . . . . . . . . . 86
F.3 Regole di taratura di Cohen e Coon. . . . . . . . . . . . . . . . . . 86
F.4 Regole di taratura IMC. . . . . . . . . . . . . . . . . . . . . . . . . 87
ix
Elenco dei codici
D.1 Lettura dei dati delle analisi di BMP da Excel . . . . . . . . . . . . 73

D.2 Identificazione esponenziale insilato di mais (primo ordine) . . . . . 74
D.3 Identificazione esponenziale liquame (primo ordine) . . . . . . . . . 74
D.4 Identificazione esponenziale insilato di mais (secondo ordine) . . . . 75
D.5 Identificazione esponenziale liquame (secondo ordine) . . . . . . . . 76
E.1 Script per la costruzione del modello AMOCO modificato normalizzato 78
E.2 Script per la costruzione della matrice delta normalizzata del modello
AMOCO modificato. . . . . . . . . . . . . . . . . . . . . . . . . . . 81
E.3 Estratto del codice per la costruzione della struttura del modello
AMOCO modificato normalizzato . . . . . . . . . . . . . . . . . . . 82
xi
Sommario
La produzione di biogas tramite digestione anaerobica, benché ampiamente

analizzata dal punto di vista ambientale e biochimico, necessita tuttora di ulteriori
approfondimenti riguardanti l’ambito della modellistica ed identificazione del pro-
cesso, il tutto avendo come obbiettivo il controllo e l’ottimizzazione degli impianti.
In questa tesi viene inizialmente introdotto il processo di digestione anaerobica per
la produzione di biogas, con l’obbiettivo principale di trovare un modello efficiente
per monitorare e controllare il processo stesso. Oltre ad una descrizione dettagliata
della digestione anaerobica e un accenno agli impianti utilizzati, viene qui rappre-
sentato lo stato dell’arte della modellistica e del controllo.
Il secondo capitolo descrive in dettaglio la modellistica del processo di digestione
anaerobica, soffermandosi inizialmente sui due modelli principali e più conosciuti
(ADM1 e AMOCO), per poi passare all’introduzione di un nuovo modello (AMOCO
modificato) ripreso e sviluppato nella tesi, in quanto ritenuto più adatto al controllo.
Successivamente, al fine di stimare i parametri del modello, vengono testati due
metodi di identificazione, come definiti da letteratura: l’identificazione del po-
tenziale biochimico di produzione metanigena (BMP) e il metodo di massima
verosimiglianza con trasformazione lineare frazionaria (LFT). I dati utilizzati per
l’identificazione provengono da test di laboratorio che prevedono sia prove batch
specifiche (BMP) che prove in continuo su reattori in scala laboratorio. Si procede
inizialmente con l’identificazione delle curve di BMP al fine di determinare il va-
lore delle costanti cinematiche e stechiometriche dei processi d’idrolisi delle varie
componenti utilizzate per i reattori alimentati in continuo. Dato che i risultati
ottenuti risultano insoddisfacenti e/o parzialmente non attendibili, si è deciso di
procedere ad una identificazione più approfondita, basata sui dati provenienti da
tre mesi di alimentazione dei reattori. A questo scopo si è adottato un metodo
di identificazione a massima verosimiglianza: partendo da un iniziale spiegazione
teorica, si è descritta poi la realizzazione del modello LFT e la simulazione mediante
Toolbox appositamente creato per MATLAB. Infine sono stati comparati i risultati
ottenuti dalle analisi di BMP e dalle identificazioni basate su modelli LFT. Qui si
evidenziano i limiti dell’identificazione dell’analisi di BMP e la necessità di avere
un miglior campionamento di alcune uscite per ridurre gli errori di valutazione. A
corredo delle varie identificazioni e conclusione del rispettivo capitolo, sono stati
calcolati alcuni dei più noti indici ricorrenti nella letteratura specifica per la verifica
della bontà del modello identificato.
L’ultimo capitolo tratta il controllo del sistema: viene qui utilizzato il modello
precedentemente identificato per sperimentare alcune logiche di controllo attraverso
simulazione (Modelica). Vengono proposti tre controllori basati su logiche PID con
xiii
xiv ELENCO DEI CODICI
lo scopo di controllare la produzione di metano e migliorare la stabilità del processo.

Parole chiave: PoliMi, Tesi, Digestione Anaerobica, Modellistica, ADM1,
AMOCO modificato Identificazione, Controllo
Abstract
Although widely analysed under the environmental and biochemical point of

view, the production of biogas through anaerobic digestion still requires further
investigation regarding the process model and identification, especially with the
aim of monitoring, controlling and optimizing biogas plants.
In this thesis, the anaerobic digestion process is initially introduced with the main
objective of finding an efficient model to monitor and control the process itself.
Moreover, in addition to a detailed description of the anaerobic digestion and a
reference to the typical plants used, the state of the art of modelling and control is
represented.
The second chapter describes in detail the modelling of the process of anaerobic
digestion. It focuses initially on the two most known models (ADM1 and AMOCO),
then moves towards the introduction of a new simplified model (modified AMOCO)
remarked and developed in this thesis, as deemed more appropriate and suitable
for control purpose.
Subsequently, as defined by the literature, two identification methods are tested
in order to estimate the model parameters: the identification of the biochemical
methane potential (BMP) and the maximum likelihood method with fractional
linear transformation (LFT) formulation. The data used for identification come
from both batch (BMP) and continuous tests, performed on our laboratory scale
reactors. Initially, the BMP curves are identified in order to determine the value of
the kinematic and stoichiometric constants of the hydrolysis processes linked to the
various components used for the continuously fed reactors. Since the results obtained
are unsatisfactory and/or partially unreliable, it was decided to proceed with a
more in-depth identification, based on data from three months of reactor continuous
feeding. For this purpose, the maximum likelihood identification procedure has been
introduced: starting from an initial theoretical explanation, the realization of the
LFT model and the simulation through a Toolbox specially created for MATLAB
has been described. Finally, the results obtained from BMP analysis and LFT
model identification are compared. Here we highlight the limits of BMP analysis
identification and underline the need of having better measurements of some outputs
to reduce evaluation errors. In support of the various identification procedures
and as conclusion of the chapter, some of the best-known indices, recurring in the
specific literature, have been calculated so to verify the goodness of the identified
model.
The last chapter deals with system control: the previously identified model is used
here to test some control logics through simulation (Modelica). Three controllers
based on PID logic are proposed all with the aim of tracking the production of
xv
xvi ELENCO DEI CODICI
methane and improving the stability of the process.

Keywords: PoliMi, Master Thesis, Anaerobic Digestion, Model, ADM1, modified
AMOCO, Identification, Control
Introduzione e stato dell’arte
L’uso sconsiderato delle risorse fossili attuato negli ultimi anni, l’aumento
degli scarti prodotti dall’attività umana sul territorio e l’elevata concentrazione
di gas e materiale inquinante dannoso per l’ambiente e l’uomo hanno fatto si che
la ricerca di risorse alternative per la produzione di energia e smaltimento dei
rifiuti diventasse oggigiorno sempre più importante e necessaria. Tra tutte le
soluzioni proposte e attuate, una realtà sempre più diffusa sul territorio nazionale
ed europeo è la costruzione di impianti per la produzione di biogas mediante
digestione anaerobica. Diversi sono stati i dati raccolti dal Centro Ricerche
Produzioni Animali (CRPA e Centro Divulgazione Agricola, 2005; Sergio et al.,
2008) e da Legambiente i quali hanno dimostrato un forte interesse da parte di
tutta l’Europa, Italia compresa, verso l’utilizzo delle biomasse per la produzione di
biogas finalizzato alla distribuzione di metano, generazione di energia elettrica e
riscaldamento (Figura 1).
Figura 1: Schema di un tipico impianto di biogas per la digestione di liquami e solidi organici
con allacciamento alla rete gas (metano), elettrica e teleriscaldamento.
La storia del biogas da effluenti zootecnici è stata caratterizzata in Italia da due

distinte fasi. La prima, non positiva, risale agli anni ’80 quando nacquero i primi
reattori a digestione anaerobica, difficili da utilizzare e a basso rendimento, mentre
la seconda ha avuto inizio nel decennio successivo. Qui impianti più vasti e studiati
espressamente per il mondo agricolo e dell’industria agroalimentare hanno iniziato
a prendere il sopravvento, garantendo prestazioni migliori e un effettivo ritorno
1
2 Introduzione
economico dell’investimento. Tuttavia, ciò che ha permesso il diffondersi di queste

tecnologie non è solamente il sempre crescente guadagno, ma anche lo sviluppo
di strutture scalabili sempre più facili da utilizzare. Per ottemperare a tutto ciò,
pare quasi d’obbligo l’utilizzo di controllori per l’ottimizzazione della produzione
dell’energia nel rispetto dei consumi, delle richieste e del ricavo economico.
Entrando nello specifico possiamo distinguere due categorie di controllo: cen-
tralizzato e decentralizzato. Si parla di controllo centralizzato ogniqualvolta il
controllore, nel determinare gli ingressi del sistema, prende in considerazione misure
e/o modelli di pertinenza anche degli altri componenti dell’impianto. In generale
un controllo centralizzato richiede la conoscenza, almeno parziale, del modello
matematico dell’intero impianto. Se invece, come nel nostro caso, il modello
complessivo dell’impianto risulta essere troppo vasto, si preferisce utilizzare un
controllo decentralizzato. Un metodo per attuare questa strategia è quello di creare
tanti controllori specifici per ogni unità, di cui si suppone conoscere il modello,
il più possibile disaccoppiati tra loro e poi inserire un controllore decentralizzato
più semplice (PI, PID, a cascata,. . . ) per governare l’intero sistema. In questa
tesi si è deciso di sviluppare un controllore specifico, applicabile all’unità fulcro
dell’impianto: il reattore o digestore. Lo stretto controllo delle condizioni operative
di un digestore è infatti essenziale per assicurare la crescita batterica e l’effettivo
verificarsi dei processi biochimici necessario per il buon fine della digestione stessa.
Nel reattore viene immesso un substrato d’ingresso (scarti agroindustriali, fanghi di
depurazione, liquami zootecnici) che unito ad acqua va ad alimentare e accrescere
la popolazione batterica presente nel reattore stesso. Qui, attraverso quel processo
denominato digestione anaerobica, viene prodotto biogas e materiale digestato.
Questo processo si differenzia dalla digestione aerobica (o compostaggio) per
l’assenza di ossigeno all’interno delle reazioni biochimiche coinvolte. Il biogas
prodotto è una miscela di metano (CH4 ) 50–70%, anidride carbonica (CO2 )
25–50%, azoto (N2 ) 0–10%, idrogeno (H2 ) 0–1% e acido solforico (H2 S) 0–3%,
variabile secondo diversi fattori come la matrice di biomassa in ingresso, la
temperatura e la composizione batterica. Questo gas, come da Figura 1, può poi
essere raffinato per la produzione di biometano e/o usato per la generazione di
energia elettrica e teleriscaldamento. Il materiale digestato, invece, può essere
usato per il compostaggio o come fertilizzante naturale.
Questi sono solo alcuni dei possibili utilizzi e vantaggi che la digestione anaerobica
può portare e, sebbene questa sia una tecnologia abbastanza matura e consolidata,
c’è tuttora molto da fare. Infatti non abbiamo ancora nè una conoscenza
perfettamente dettagliata del processo, nè un modello opportunamente identificato
e sono rari i casi di un effettivo controllo del processo biochimico.
Per quanto riguarda la modellisitica dei processi di digestione anaerobica, essa

è di fondamentale importanza non solo per la progettazione degli impianti di
trattamento delle acque reflue e di produzione di biogas, ma anche per studiare la
sensitività del processo ai parametri operativi (I/O), per monitorare e controllare le
prestazioni dell’impianto e per avere un riscontro sulla possibilità di utilizzare nuovi
(o nuove combinazioni di) substrati in ingresso. Infatti questi, definiti ’matrici’,
possono avere caratteristiche, biodegradabilità e condizioni operative diverse, a
seconda della loro composizione, e possono influenzare anche notevolmente il
Introduzione 3
decorso del processo di digestione.

In letteratura sono stati proposti molti modelli di digestione anaerobica per
determinate applicazioni o fermentatori, generalmente alimentati con substrati
specifici, oppure si possono trovare risultati di prove biochimiche sul potenziale di
produzione di metano con specifici substrati. Per quanto riguarda i modelli, essi
possono essere grossomodo raggruppati in tre principali categorie. I più semplici
(Graef e Andrews, 1974) sono modelli che coinvolgono la dinamica di una sola
popolazione batterica unita ad una descrizione limitata degli effetti di inibizione. I
modelli di complessità intermedia (Bernard et al., 2001) considerano, invece, un
numero più elevato di processi e popolazioni batteriche, così come una descrizione
più accurata dei fattori di inibizione. Per ultimi, i modelli più complessi (Batstone
et al., 2002) esaminano un numero elevato di processi e specifiche popolazioni
batteriche insieme ad una descrizione molto approfondita degli effetti dell’inibizione
e degli equilibri chimici più rilevanti.
Il modello più conosciuto e più sofisticato, capace di descrivere la degradazione di
vari substrati (anche se progettato per considerare come substrato i fanghi attivi),
è l’Anaerobic Digestion Model no.1 (ADM1), inizialmente sviluppato dal gruppo
per la modellizzazione matematica dell’IWA e descritto nell’articolo di Batstone
et al., 2002. Sebbene molto dettagliato nella descrizione del processo, esso può
difficilmente essere utilizzato per la progettazione e il controllo. Infatti, è necessario
identificare un elevato numero di parametri (circa un centinaio) variabili con i
differenti substrati, operazione particolarmente complessa data la complessità degli
impianti e l’ancora troppo esigua quantità di dati disponibile in letteratura.
Inoltre, molti parametri del modello ADM1 non possono essere identificati sulla
base dei dati tipicamente inclusi nei protocolli convenzionali di funzionamento e
monitoraggio dei digestori anaerobi. Pertanto, si rendono necessarie campagne di
misurazione "ad hoc" per ottenere una caratterizzazione adeguata della natura
chimica del substrato da degradare e i suoi percorsi di degradazione specifici.
Queste campagne sono complesse e richiedono molto tempo, anche se sono preziose
quando si cerca una migliore comprensione del processo.
Questa circostanza ha motivato la ricerca di modelli più semplici, incentrati
ad esempio su un numero di processi minore o specificamente progettati per
particolari substrati. Tra questi, il più importante è il modello AMOCO (Bernard
et al., 2001), che raggiunge un buon compromesso tra semplicità e precisione. L’
Advanced MOnitoring and COntrol System for anaerobic processes (AMOCO),
come suggerisce il nome stesso, è stato sviluppato principalmente come strumento
per monitorare e controllare il processo di digestione anaerobica piuttosto che
come strumento per una simulazione numerica accurata. Questo modello è stato
concepito per descrivere il processo di degradazione della sostanza organica solubile,
la quale viene facilmente acidificata in condizioni anaerobiche. Tuttavia non può
essere applicato al caso di degradazione del particolato in quanto esso necessita
di una precedente fase di disintegrazione e idrolisi prima di essere acidificato.
Pertanto, al fine di allargare il campo di applicabilità, è stato proposto un modello
AMOCO modificato che include una fase di idrolisi del primo ordine, durante la
quale l’alcalinità è incrementata a causa del rilascio di ioni ammonio da parte dalle
proteine (Allegrini, 2011).
Pur essendo di ordine ridotto, il modello AMOCO modificato è tuttavia ancora non
4 Introduzione
lineare. Si è quindi deciso di applicare un approccio di massima verosimiglianza

per l’identificazione dei parametri, realizzato attraverso un problema non lineare
di minimizzazione ai minimi quadrati (least-square), che può essere risolto
attraverso la programmazione non lineare. Sebbene diversi siano i possibili
metodi di programmazione non lineare, risulta comunque necessario affrontare
un problema importante: il calcolo efficiente di gradienti e/o Hessiani, attuati
solitamente mediante approssimazioni computazionalmente inefficienti (Dennis e
Schnabel, 1996). D’altro canto, se viene considerata una formulazione non-lineare
equivalente mediante trasformazione lineare frazionaria (LFT, vedi Sezione 3.0.2)
del modello non lineare originale, le suddette quantità possono essere calcolate
molto efficientemente semplicemente simulando filtri lineari (Della Bona et al.,
2015b).
Derivare manualmente un modello LFT è un compito in generale non banale, sia
per la sua complessità che per la dipendenza dai parametri scelti da identificare:
provare diverse combinazioni di parametri significa ricreare ogni volta il rispettivo
modello. In questa tesi si è applicato un approccio manuale per la determinazione
del modello in forma LFT, sono altresì stati sviluppati strumenti di computazione
simbolica in Donida et al., 2009.
Passando invece a quello che può essere definito lo stato dell’arte del controllo
della digestione anaerobica, poco o nulla è presente in letteratura e rare sono
le applicazioni sul campo. Infatti i reattori utilizzati nei processi di digestione
anaerobica sono comunemente poco strumentati: solitamente essi hanno pochi
sensori, per lo più di tipologia industriale (general-purpose), e spesso l’alimentazione
risulta essere manuale, effettuata in modo discontinuo dall’operatore di turno. Non
esiste un vero e proprio controllore della digestione anaerobica, ma l’operatore
dosa l’alimentazione attraverso metodi empirici e sporadiche analisi di laboratorio
(Rosato, 2017).
Il più utilizzato tra questi metodi, originario ma non inventato della letteratura
tedesca (Lossie e Pütz, 2008), è basato sull’analisi FOS/TAC (Flüchtige Organische
Säuren/Totales Anorganisches Carbonat), ossia il rapporto tra la concentrazione
di acidi grassi totali, in equivalente di acido acetico (mgHAceq /l), e la capacità di
tamponamento alcalina (mgCaCO3 /l ). Esso è un’indicatore del rischio di inibizione
per acidificazione in un impianto di biogas il cui valore ottimale si aggira sui
0.4. L’analisi avviene attraverso la titolazione (manuale o semiautomatica) di un
campione di substrato prelevato dall’operatore e opportunamente filtrato, il tempo
necessario varia dai 10 ai 30 minuti. I risultati ottenuti vengono poi utilizzati per
stabilire se e quanto alimentare il reattore, secondo le regole in Tabella 1.
Tuttavia, come riportato dallo stesso Rosato, 2015, questo metodo ha trovato
molta notorietà grazie a "leggende rurali", diffuse sopratutto in Italia, più che
per la sua reale importanza. Infatti le regole in Tabella 1 sono state ricavate su
un preciso impianto con una precisa alimentazione (liquame bovino e insilato di
mais) e funzionano abbastanza bene con impianti molto sili, mentre causano errori
di gestione se utilizzate su reattori con diverso mix di alimentazione o diverse
condizioni operative. Valori FOS/TAC diversi, spesso anche di molto, sono stati
rilevati con la stagionalità e con l’utilizzo di mix diversi in presenza di siero,
materiale grezzo biodegradabile ad alto contenuto di lignina, acque reflue urbane e
Introduzione 5
FOS/TAC Indicazione Azione da Intraprendere

>0.6 Carico organico eccessivo Interrompere l’alimentazione
0.5<>0.6 Carico organico elevato Ridurre la quantità di alimentazione
0.4<>0.5 Condizioni limite Monitorare attentamente il sistema
0.3<>0.4 Condizioni ideali Mantenere costante l’alimentazione
0.2<>0.3 Carico organico insufficiente Incrementare gradualmente l’alimentazione
<0.2 Carico organico estremamente basso Incrementare rapidamente la biomassa
Tabella 1: Regole empiriche per la valutazione dei rapporti FOS/TAC. Valori forniti da DEULA-
Nienburg (Lossie e Pütz, 2008)
FORSU (altamente variabile e poco prevedibile). Ciò nonostante negli ultimi anni
questo metodo ha costituito la principale se non unica fonte di controllo per la
gran parte delle strutture del centro Europa in quanto spesso sottodimensionate,
costruite sul modello di note case costruttrici tedesche e lavoranti con mix
d’alimentazione fisso. Altro aspetto da sottolineare è come la misura FOS consideri
gli acidi grassi volatili come se fossero 100% acido acetico, trascurando l’acido
propionico e butirrico: può così capitare che, soprattutto alimentando abitualmente
e principalmente il reattore con derivati di mais e simili, sebbene il rapporto
FOS/TAC sia nel giusto range, il reattore presenti già una fase di acidificazione
avanzata con conseguente inibizione (Rosato, 2017).
In questo lavoro si vuole quindi proporre un controllore automatico che coniughi
semplicità di utilizzo e costruzione, senza tralasciare la precisione necessaria,
avendo come obbiettivo ultimo la massima resa in risposta alla domanda energetica
in visione di una possibile futura integrazione con la rete di distribuzione.
La tesi è organizzata come segue. Una breve descrizione del processo è presente
nel Capitolo 1; per quanto riguarda la parte di modellistica, essa verrà spiegata
più in dettaglio nel Capitolo 2; l’identificazione parametrica del modello e la
sperimentazione di laboratorio è descritta nel Capitolo 3; mentre lo sviluppo di un
possibile controllo è descritto nel Capitolo 4.
Capitolo 1
Digestione anaerobica: il processo e

l’impianto
1.1 La digestione anaerobica

Per digestione anaerobica si intende la degradazione della sostanza organica,
o substrato, da parte di specifici microrganismi in condizioni di anaerobiosi con
conseguente produzione di biogas. Convenzionalmente, in relazione al tipo di batteri
utilizzati, esistono tre differenti intervalli di temperatura in cui viene condotta la
digestione anaerobica:
• Psicrofilia Utilizzando impianti semplificati è possibile operare anche in

condizioni psicrofile, dove la temperatura varia dai 10°C ai 25°C e i tempi di
residenza1 (HRT) sono superiori ai 30 giorni.
• Mesofilia La condizione operativa sicuramente più utilizzata è la mesofilia,

dove batteri chiamati appunto mesofili lavorano a temperature comprese tra i
20°C e i 45°C, con un intervallo ottimale di 37–41°C e HRT di 14–30 giorni.
• Termofilia Sicuramente la condizione meno utilizzata è la termofilia, infatti

essa richiede una temperatura tipicamente di 50°C, ma che può anche arrivare
fino a 70°C. Questo comporta un dispendio energetico indifferente che porta
questa soluzione ad essere meno ottimale rispetto alle altre. Il tempo di
ritenzione è solitamente inferiore ai 15 giorni.
La digestione anaerobica del materiale organico biodegradabile implica l’uso

di molte differenti tecniche e specie batteriche, ognuna delle quali ha un ruolo
differente per ciascuna fase del processo.
Sintetizzando quella che è la complessità della digestione anaerobica, essa può essere
descritta mediante quattro principali fasi2 :
1
Data una certa riserva o comparto in cui è presente un elemento o sostanza chimica oggetto
di studio, il tempo di residenza, o Hydraulic Retention Time (HRT), esprime il tempo medio in
cui la specie chimica permane nel dato comparto. Generalmente serve a dare una descrizione
quantitativa del tempo trascorso da un certo fluido con flusso costante all’interno di un reattore
2
Fra parentesi si indicano le variabili di stato associate alle rispettive concentrazioni.
7
8 Capitolo 1. Digestione anaerobica: il processo e l’impianto
1. La prima fase di Disintegrazione e Idrolisi rappresenta i processi di

idrolizzazione del particolato di mais (X01 ) e liquame (X02 ), rispettivamente
P01 e P02 , che vanno a produrre sostanze solubili (S1 ) e non degradabili (XN D ).
2. Le fasi di Acidogenesi e Acetogenesi, a cui fa riferimento il processo P1 , che

descrive il passaggio del substrato organico da S1 a S2 e la crescita della
popolazione batterica acidogena e acetogena (X1 ).
3. La fase di Metanogenesi, a cui fa riferimento il processo P2 , che descrive il

passaggio del substrato organico da S2 a CH4 e la crescita della popolazione
batterica metanigena (X2 ).
4. Le fasi di Decadimento delle due popolazioni batteriche (X1 e X2 ), descritte

rispettivamente mediante i processi P3 e P4
Una descrizione delle varie fasi viene riportata di seguito, mentre la Figura 1.1
qui illustrata fornisce un’analisi visiva immediata.
Figura 1.1: Schema delle fasi della digestione anaerobica con percentuali basate sulla richiesta
di ossigeno per reazione di carbonio (COD).
1.1. La digestione anaerobica 9
1.1.1 Disintegrazione e idrolisi
Nella prima fase di disintegrazione ed idrolisi, la biomassa in ingresso viene

triturata finemente e, con l’eventuale aggiunta di acqua, viene inserita nel reattore.
Qui avviene la prima fase, considerata limitante, della digestione anaerobica: l’idro-
lisi. Essa porta alla degradazione del substrato in ingresso non inerte, composto
principalmente da polimeri e molecole complesse (proteine, carboidrati e lipidi)
in sostanze più semplici, adatte ad essere digerite dai batteri, come monosacca-
ridi, aminoacidi e acidi grassi a catena lunga (LCFA). Operano in questa fase
microorganismi idrolitici che reagiscono sul substrato tramite reazioni enzimatiche
extracellulari. La rapidità di questa fase dipende fortemente dalla composizione del
substrato: nel momento in cui esso è composto da sostanze già semplici o facilmente
attaccabili dagli enzimi, questo processo risulterà rapido. Se, invece, la materia da
digerire è particolarmente complessa e difficilmente accessibile dagli enzimi, come
nel caso della biomassa lignocellulosica, allora il processo richiederà più tempo,
limitando le fasi successive. Da sottolineare come un accumulo di amminoacidi e
zuccheri possano inibire gli enzimi idrolitici, quindi l’idrolisi stessa, così come con
un pH troppo lontano da 5.3.
1.1.2 Acidogenesi
Nella fase di acidogenesi, i batteri acidogeni riescono a fermentare il materiale

organico prodotto dalla disintegrazione idrolitica, attraverso enzimi intracellulari.
Questo porta alla formazione di acidi volatili a catena corta (VFA), in particolare
acido acetico, butirrico, formico, propionico, valerico e altri sottoprodotti. Di questi
menzioniamo l’acido lattico e l’etanolo che vengono, però, rapidamente degradati ad
acidi organici. Questo processo, come già detto, porta alla formazione di acidi che
causano un aumento del pH. Tale fenomeno, se non correttamente gestito, risulta
particolarmente problematico per la sopravvivenza dei batteri metanigeni, ma
abbastanza tollerato dai batteri fermentativi che operano in questa fase e possono
sopravvivere con pH da 4 a 8.5.
1.1.3 Acetogenesi
In questa terza fase i batteri acetogeni convertono gli acidi volatili e gli alcoli
prodotti dall’acidogenesi in acido acetico e formico, con parallela formazione di
idrogeno e anidride carbonica. La pressione parziale dell’idrogeno è uno degli
elementi di controllo di questo processo. Esistono due tipi di acetogenesi: la
duoacetogenesi, che prevede la produzione di acido acetico a partire da H2 e CO2 ,
e la deidrogenazione acetogena, in cui si ha l’ossidazione anaerobica dei VFAs. La
presenza di idrogeno in forma molecolare può portare all’inibizione del processo.
Sia questa fase che la precedente di acidogenesi risultano più veloci, in quanto
rispondono più rapidamente ad una variazione del proprio influente.
10 Capitolo 1. Digestione anaerobica: il processo e l’impianto
1.1.4 Metanogenesi
La metanogenesi è l’ultima fase della digestione anaerobica in cui i batteri
metanigeni consumano l’acetato, l’idrogeno e l’anidride carbonica per la produzione
di biogas. Esso viene prodotto principalmente nella zona centrale del reattore, nelle
parti liquide e fangose della biomassa. Qui il metano, poco solubile in acqua, passa
velocemente e per la quasi totalità alla fase gassosa, mentre gli altri gas, come la
CO2 , si ripartiscono più lentamente tra liquido e gassoso.
I processi che concorrono alla produzione di metano, determinati della tipologia
batterica e, quindi, della reazione chimica, si possono suddividere in metanogenesi
acetoclastica, idrogenotrofa e metilotrofica. Essendo questi batteri metanigeni
anaerobi obbligati, essi hanno una crescita ridotta e rendono così la fase di meta-
nogenesi cineticamente limitante. Inoltre essi sono molto sensibili alle condizioni
di pH e preferiscono un ambiente neutro (pH ' 6.7 − 7.5). Da sottolineare come
una sovralimentazione del reattore con sostanze semplici, facili da digerire, porti
velocemente all’accumulo di acidi che non riescono ad essere digeriti altrettanto
velocemente dai batteri metanigeni. Questo comporta una diminuzione del pH e
l’inibizione del processo che può risultarne gravemente compromesso.
1.2 Il reattore o digestore anaerobico

Il reattore o digestore anaerobico è quella parte dell’impianto dove viene inserita
la mescola di materiale organico, chiamata anche matrice, e dove, attraverso il
processo di digestione anaerobica, viene prodotto il biogas (Figura 1.2).
Figura 1.2: Digestore (o reattore) a singolo stadio. Progettato per lavorare in continuo, può
anche essere utilizzato in modalità batch.
1.2. Il reattore o digestore anaerobico 11
Esistono diverse tipologie di reattori classificabili a seconda della tipologia di

caricamento (batch o continuo), della temperatura di lavoro (psicrofili, mesofili o
termofili) e della miscelazione (completamente miscelati, parzialmente miscelati
o a letto fisso). I digestori più comuni (CRPA e Centro Divulgazione Agricola,
2005; Sergio et al., 2008) sono quelli CSTR (Continuous-flow Stirred-Tank Reactor)
e PFR (Plug Flow Reactor), in quanto forniscono rendimenti più elevati e HRT
minori. Essi possiedono dispositivi meccanici o idraulici atti a mescolare il materiale
e a estrarne in continuazione gli eccessi per mantenere un volume il più possibile
costante, durante l’aggiunta continua di materiale organico. L’altra tipologia
abbastanza diffusa di digestori è quella discontinua batch, di cui si menziona la
tipologia a lagune coperte, presente anche in Italia. Impiantisticamente più semplice
e meno costosa, è preferita dalle piccole e medie aziende, ma ha lo svantaggio di
rendere meno e possedere cicli di svuotamento problematici: una volta avvenuta
l’alimentazione iniziale il reattore viene chiuso e sull’intera massa trattata non
agisce alcun dispositivo di sorta per tutta la durata del processo.
Compito del reattore è quello di mantenere la temperatura il più possibile costante
e vicina al riferimento imposto. Infatti essa gioca un ruolo fondamentale sia sulla
rapidità e completezza delle reazioni che sulla composizione biochimica del substrato
e metabolismno batterico. Fluttuazioni di oltre 0.6°C/giorno possono fortemente
inibire l’attività batterica, cambiamenti di 1°C/giorno possono bloccare l’intero
processo (Giupponi, 2015).
Capitolo 2
Modellistica dei processi di

digestione anaerobica
Questo capitolo descrive inizialmente i due principali modelli di DA: nella

Sezione 2.1 viene descritto il modello ADM1, mentre il modello AMOCO originale
viene brevemente descritto nella Sezione 2.2. Successivamente, nella Sezione 2.3
viene delineato il modello AMOCO con l’aggiunta dei processi di idrolisi e la
particolarizzazione del caso sperimentale trattato in questa tesi.
2.1 Anaerobic Digestion Model No.1 (ADM1)

La necessità di sviluppare un modello di digestione anaerobica più generale
e completo possibile portò nel 1997, in occasione dell’ottavo congresso mondiale
sulla digestione anaerobica, alla formazione di un gruppo di ricerca denominato
The IWA Anaerobic Digestion Modelling Task Group (Batstone et al., 2002). Il
primo modello prodotto, l’Anaerobic Digestion Model No.1 (ADM1), include una
molteplicità di processi sia biochimici che fisici. Per quanto riguarda i processi
biochimici viene considerata la disintegrazione del particolato omogeneo che porta
alla formazione di carboidrati, proteine e grassi. Successivamente l’idrolisi extracel-
lulare di questo nuovo substrato porta alla produzione di zuccheri, aminoacidi e
acidi grassi a catena lunga (LCFA), rispettivamente. Poi i processi di acidogenesi
degli zuccheri e aminoacidi producono acidi grassi volatili (VFAs) e idrogeno, men-
tre l’acetogenesi dei VFAs e LCFA produce l’acetato. Infine si sviluppa l’ultimo
processo biochimico o metanogenesi per la produzione di metano dall’acetato con
l’idrogeno e anidride carbonica. Oltre a questi processi, vengono anche considerate
reazioni fisico-chimiche come l’associazione/dissociazione ionica o il trasferimento
liquido-gas.
Questo modello, come originariamente sviluppato da Batstone et al., 2002, presenta
alcune limitazioni nella descrizione del processo biologico di digestione anaerobi-
ca dovute all’omissione di alcuni processi (Blumensaat e Keller, 2005) come la
produzione di lattato dalla fermentazione di glucosio, la riduzione del solfato e
inibizione del solfuro, la diminuzione del nitrato, l’inibizione dell’acido grasso a
catena lunga (LCFA). Questo perché esso è stato sviluppato per simulare la dige-
stione dei fanghi nelle condizioni tipiche e, in base a questa ipotesi, si è assunto
13
14 Capitolo 2. Modellistica dei processi di digestione anaerobica
che nessuno dei processi sopra descritti avrebbe significativamente influenzato il

sistema di modellazione. Per ovviare a queste limitazioni e aggiungere particolari,
alcuni ricercatori hanno lavorato all’ampliamento del modello. La consistenza e
l’accuratezza sono state verificate da Blumensaat e Keller, 2005 che, dopo aver
rilevato incoerenze nei bilanci di carbonio e idrogeno, apportarono delle modifiche
al contenuto di C e N dei composti particolari. Vennero poi introdotti i bilanci di
massa di altri componenti (carbonio, azoto, ammonio. . . ) al fine di monitorare le
concentrazioni di fosfato, alcalinità e TKN1 . Vennero anche aggiunte equazioni per
la misura del cologaritmo dell’attività degli ioni idrogeno nella soluzione (Gracia
et al., 2006; Huete et al., 2006) e del solfito H2 S (Galí et al., 2009). Vennero inoltre
implementati (Lübken et al., 2007) bilanci energetici per cercare di imporre un
compromesso tra il valore dell’energia prodotta (principalmente biogas) e di quella
spesa (pompaggio, mescolamento e riscaldamento). I risultati di quest’ultimo lavoro
danno ancor più valore ad un possibile sviluppo di questa tesi: utilizzare il controllo
al fine di massimizzare la produzione di biogas dai substrati in ingresso.
Viene qui considerato il modello ADM1 come proposto da Della Bona et al., 2015b,
basato su Batstone et al., 2002; Blumensaat e Keller, 2005; Rosen et al., 2006, nel
caso di un reattore continuo a serbatoio completamente miscelato (caso ideale) con
volume e temperatura di liquido costante e senza ritenzione di biomassa. Il modello
consiste in un sistema DAE (Differential Algebraic Equations) con 35 equazioni
differenziali e 1 equazione algebrica.
Delle variabili di stato, come riportato in Tabella 2.1, 29 sono fornite dalle concen-
trazioni dei vari elementi presenti allo stato liquido (C1l − C26 l
) e gassoso (C1g − C3g )
in uscita e 6 dalle concentrazioni di VFA ionizzati (C27 l
− C30l
), bicarbonato (C31
l
)e
ammonio libero (C32 ) nel reattore. Le equazioni differenziali si ottengono grazie
l
al bilancio di massa delle variabili di stato dinamiche e coinvolgono 19 processi

biochimici, elencati in Tabella 2.2, 3 processi di trasferimento gas-liquido e 6 pro-
cessi addizionali di dissociazione acido-base. Per la comprensione dei termini qui
utilizzati e il dettaglio dei processi si veda la matrice di Petersen in Appendice A)
Iniziando dalla materia particolata e solubile, abbiamo
19
dCil 1 X
= (CilIN − Cil ) + ρj νi,j , i = 1, . . . , 9, 12, . . . , 24 (2.1)
dt tHR j=1
Dove tHR è il tempo di ritenzione idraulica (giorni), ρj è il rateo del processo

j-esimo e νi,j il coefficiente stechiometrico della componente i-esima nel processo
j-esimo.
L’azoto totale Kjeldahl (TKN, Total Kjeldahl Nitrogen) viene definito come la somma
1
dell’azoto ammoniacale e dell’azoto organico che vengono trasformati in solfato d’ammonio

secondo le condizioni di mineralizzazione del metodo Kjeldahl
C1l = Ssu Zuccheri C2l = Saa Aminoacidi C3l = Sf a LCFA
C4l = Sva Acido valerico C5l = Sbu Acido butirrico C6l = Spro Acido propionico
C7l = Sac Acido acetico C8l = SH2 Idrogeno dissolto C9l = SCH4 Metano dissolto
l
C10 = SIC Carbonio inorganico totale l
C11 = SIN Azoto inorganico totale l
C12 = Si Inerti solubili
l
C13 = Xc Compositi l
C14 = Xch Carboidrati l
C15 = Xpr Proteine
l
C16 = Xli Lipidi l
C17 = Xsu Degradatori degli zuccheri l
C18 = Xaa Degradatori degli aminoacidi
l
C19 = Xf a Degradatori dei LCFA l
C20 = XC4 Degradatori del valerato e butirato l
C21 = Xpro Degradatori del propionato
l
C22 = Xac Degradatori dell’acetato l
C23 = XH2 Degradatori dell’idrogeno l
C24 = Xi Particolato inerte
l
C25 = Scat Cationi l
C26 = San Anioni l
C27 = Svam Valerato
l
C28 = Sbum Butirato l
C29 = Sprom Propionato l
C30 = Sacm Acetato
l
C31 = SHCO3 Bicarbonato l
C32 = SN H3 Ammonio libero
C1g = SCO2 Anidride carbonica C2g = SCH4 Metano C3g = SH2 Idrogeno
Tabella 2.1: Lista delle variabili del modello ADM1.
1 Disintegrazione 2 Idrolisi dei carboidrati 3 Idrolisi delle proteine

2.1. Anaerobic Digestion Model No.1 (ADM1)
4 Idrolisi dei lipidi 5 Assorbimento degli zuccheri 6 Assorbimento degli Amminoacidi

7 Assorbimento degli LCFA 8 Assorbimento del valerato 9 Assorbimento del butirato
10 Assorbimento del propionato 11 Assorbimento dell’acetato 12 Assorbimento dell’idrogeno
13 Decadimento di Xsu 14 Decadimento di Xaa 15 Decadimento di Xf a
16 Decadimento di XC4 17 Decadimento di Xpro 18 Decadimento di Xac
19 Decadimento di XH2
Tabella 2.2: Lista dei processi del modello ADM1.

15
Per chiudere i bilanci di carbonio e azoto con la parte inorganica, sono stati
introdotti gli assorbimenti e produzioni di questi per ogni processo, come è possibile
vedere dalle equazioni delle concentrazioni C10l
e C11
l
.
l 19
dC10 1 X
= l
(C10 − C l
10 ) + 0
ρj ν10,j − ρT,10 (2.2a)
dt tHR IN
j=1
l 19
dC11 1 X
= l
(C11 − C l
11 ) + 0
ρj ν11,j (2.2b)
dt tHR IN
j=1
Dove ρT,10 è il rateo di trasferimento gassoso.

La dinamica di anioni e cationi è definita semplicemente dalla diluizione degli stessi
nel reattore, dato che non reagiscono con altri elementi
dCil 1
= (CilIN − Cil ) , i = 25, 26 (2.3)
dt tHR
Mente le dinamiche degli acidi dissociati e dell’azoto libero sono date da
dCil
= −ρA,i , i = 27, . . . , 32 (2.4)
dt
Dove ρA,i è il rateo di reazione acido-base rispetto alla concentrazione Cil .
Per quanto riguarda la fase gassosa, le 3 equazioni sono
dCig qg Vl
= − Cig + ρT,i , i = 1, 2, 3 (2.5)
dt Vg Vg
Dove Vg e Vl sono le parti del reattore dove risiedono rispettivamente gas e
liquido, mentre ρT,i è il rateo di trasferimento, relativo alla componente Cig , allo
stato gassoso.
L’unica equazione algebrica definisce il bilancio delle cariche.
Sacm Sprom Sacm Sacm Kw

Scat +SIN −SN H3 −SHCO3 − − − − −San +Sh − = 0 (2.6)
64 112 160 208 Sh
Dove Kw è la costante di dissociazione dell’acqua che determina la concentrazione
molare degli ioni idrogeno, utile per il calcolo del pH.
Si possono poi aggiungere le seguenti due equazioni fisiche per la stima del flusso di
metano in uscita.
pg
qg = kp (pg − pa tm) (2.7a)
pa tm
pg = pH2 + pCH4 + pCO2 + pH2 O
RTg RTg
= SH2 + SCH4 + SCO2 RTg + pH2 O (2.7b)
16 64
Come è evidente il modello ADM1 è particolarmente complesso, tuttavia taluni
processi, reazioni acido-base ed equazioni fisiche possono essere facilmente trascurate
2.2. AMOCO 17
in quanto la loro velocità è di gran lunga superiore rispetto alle altre dinamiche
biochimiche o non influenzano la produzione di biogas (Allegrini, 2011). Inoltre
la presenza di molte e diverse popolazioni batteriche, oltre che differenti substrati,
determinano un numero elevato di parametri da individuare e un’esaustiva procedura
di identificazione potrebbe essere piuttosto difficile. Per dare un’idea, il numero
totale di parametri ADM1 è poco più di un centinaio e quasi la metà dipende dal
substrato specifico di alimentazione. Pertanto, questo modello può essere ritenuto
uno strumento di successo nel campo della ricerca, ma non uno strumento di
progettazione.
2.2 AMOCO
Un modello dei modelli più conosciuti nell’ambito del controllo e nettamente
più semplice del precedente è l’Advanced MOnitoring and COntrol System for
anaerobic processes (AMOCO). Esso venne sviluppato nel 2001 da Bernard et al.,
2001 nel contesto di un progetto della comunità avente l’obbiettivo di sviluppare e
identificare i parametri di un modello finalizzato al controllo del processo di dige-
stione anaerobica. Venne così considerato un modello a due processi (acidogenesi e
metanogenesi), basato su bilanci di massa. Esso incorpora anche alcuni equilibri
elettrochimici, così da includere il grado di alcalinità. La principale ipotesi su cui si
basa questo modello è l’utilizzo di un reattore CSTR, data la sua minor complessità
modellistica e la sua efficienza.
Dato che la scelta delle popolazioni batteriche coinvolte nel processo di digestione
anaerobica è direttamente collegato alla complessità del modello e uno degli ob-
biettivi è rappresentare i fenomeni di inibizione/destabilizzazione senza rinunciare
all’identificabilità dei parametri, si assume che le popolazioni batteriche possano
essere divise principalmente in due gruppi dalle caratteristiche omogenee e che il
processo di digestione anaerobica possa essere descritto in due stadi. Nella prima
fase, che prende il nome di acidogenesi, i batteri acidogeni (X1 ) consumano il
substrato organico (S1 ) e producono CO2 e acidi grassi volatili VFAs (S2 ), mentre
nella seconda fase i batteri metanigeni (X2 ) usano i VFAs per produrre CO2 e
metano (CH4 ).
• Acidogenesi (con rateo di reazione r1 = µ1 X1 )
k1 S1 −→ X1 + k2 S2 + k4 CO2 (2.8)
• Metanogenesi (con rateo di reazione r2 = µ2 X2 )
k3 S2 −→ X2 + k5 CO2 + k6 CH4 (2.9)
Dove µ1 e µ2 rappresentano la crescita specifica delle popolazioni batteriche

rispettive, k1,...,6 i coefficienti stechiometrici. La crescita della popolazione batterica
acidogena è definita da una cinematica di Monod (2.10a), dove µ1max è la massima
crescita e KS1 è la semisaturazione associata a S1 , mentre la crescita della popola-
zione batterica metanigena è definita da una cinematica di Haldane (2.10b), dove
µ2max è la massima crescita batterica, KS2 e KI2 sono le saturazioni e inibizioni

associate a S2 .
S1
µ1 (S1 ) = µ1max (2.10a)
S1 + KS1
S2
µ2 (S2 ) = µ2max (2.10b)
S2 + KS2 + S22 /KI2
L’approssimazione poi effettuata è quella di considerare il comportamento del
substrato (S2 ), composto da acetato, propionato e butirato, come se fosse puro
acetato.
Passiamo ora ad analizzare il carbonio inorganico (C), principalmente composto
da anidride carbonica (CO2 ), bicarbonato (B) e carbonato. Per prima cosa, dato
che la costante di affinità per il carbonato/bicarbonato è approssimabile a zero
(10−11 ) nelle normali condizioni operative di pH e temperatura (mesofilia), possiamo
approssimare il carbonio inorganico totale come somma della sola anidride carbonica
e bicarbonato (2.11a). Grazie alla reazione chimica (2.11b) si possono determinare
le concentrazioni di bicarbonato e anidride carbonica dissolta (H + sono i protoni
liberi).
C = CO2 + B (2.11a)
B + H +
CO2 + H2 O (2.11b)
Si può così definire la costante di affinità della reazione chimica (2.11b), utile
per il calcolo del pH, come
[H + ]B
kb = = 6.5 · 10−7 mol/L (2.12)
CO2
Gli acidi grassi volatili (VFA) sono invece composti di acido acetico e acetato con
+ ][S − ]
forte prevalenza di quest’ultimo, dato che la costante di affinità ka = [H[SH] è
molto piccola (1.5 · 10 mol/L). Si può quindi dire che S2 ≈ [S ].
−5 −
Per l’alcalinità Z, considerando i risultati, le approssimazioni sopra effettuate e

il fatto che la concentrazione di altri anioni sia trascurabile o non modificata dal
processo di digestione anaerobica, possiamo dire che Z ≈ B + S2 .
L’ultima parte riguarda la produzione dei gas. Si assume che la composizione del
gas in uscita sia principalmente CO2 e CH4 e che il metano disciolto sia trascurabile,
data la bassa solubilità di questo. Si ottiene così un flusso molare di metano volatile
in uscita calcolato sulla base della produzione (2.13a) e un flusso di CO2 (2.13b)
calcolato grazie alla legge di Henry e basato sul carbonio inorganico totale.
qM = k6 µ2 X2 (2.13a)
qC = kLA (CO2 − KH PC ) (2.13b)
Dove kL A è il coefficiente di trasferimento liquido-gas, KH la costante di Henry

e PC la pressione dell’anidride carbonica.
Assumendo poi che le dinamiche fisiche siano di gran lunga più veloci rispetto alle
2.2. AMOCO 19
biochimiche e definendo PT la pressione totale nel reattore, possiamo utilizzare la

seguente relazione
PT − PC PC
= (2.14)
qM qC
E grazie alle Equazioni (2.13a) e (2.13b) otteniamo
qM
KH PC2 − φPC + PT CO2 = 0 , φ = CO2 + KH PT + (2.15)
KL a
Calcolando poi le radici di questa equazione, si ottiene una unica soluzione fisica
ammissibile
p
φ − φ2 − 4KH PT CO2
PC = (2.16)
2KH
Successivi esperimenti hanno dimostrato che, soprattutto in reattori CSTR,
le dinamiche biochimiche sono direttamente influenzate dal rateo di diluizione D.
Si è quindi deciso di introdurre questo fenomeno con una semplice descrizione
idrodinamica del modello: è stato aggiunto un parametro 0 ≤ α ≤ 1 per considerare
allo stato liquido solo una frazione della biomassa (CSTR: α ' 1; fixed-bed: α ' 0).
In conclusione si può scrivere un modello basato sulle equazioni e sui bilanci di
massa, calcolati sulla base delle precedenti reazioni e considerazioni. Definendo poi
ξ = [X1 X2 S1 S2 Z C]T come vettore delle variabili, si ottiene il seguente sistema:
Ẋ1 = −αDX1 + ρ1 (2.17a)

Ẋ2 = −αDX2 + ρ2 (2.17b)
Ṡ1 = D(S1IN − S1 ) − k1 ρ1 (2.17c)
Ṡ2 = D(S2IN − S2 ) + k2 ρ1 − k3 ρ2 (2.17d)
Ż = D(ZIN − Z) (2.17e)
Ċ = D(CIN − C) − qC + k4 ρ1 + k5 ρ2 (2.17f)
Dove
S1
ρ1 = µ1 (ξ)X1 = µ1max X1 (2.18a)
S1 + KS1
S2
ρ2 = µ2 (ξ)X2 = µ2max X2 (2.18b)
S2 + KS2 + S22 /KI
qC = kLA [C + S2 − Z − KH PC ] (2.18c)
p
φ − φ2 − 4KH PT CO2
PC = (2.18d)
2KH
qM
φ = C + S2 − Z + KH PT + (2.18e)
KL a
qM = k6 ρ 2 (2.18f)
C − Z + S2
pH = − log(kb ) (2.18g)
Z − S2
2.3 Modello AMOCO modificato

Il modello AMOCO è una buona descrizione del processo di digestione anaerobica
applicato al caso di substrati solubili o con un contenuto di particolato trascurabile,
oppure se l’obbiettivo è prevenire la destabilizzazione da eccesso di acidi volatili.
Tuttavia esso non permette di prevedere una precisa evoluzione delle variabili, dato
che non differenzia le preliminari cinematiche di idrolisi per matrici eterogenee.
Questo è il caso in cui il substrato organico da degradare è costituito da molecole
complesse (dette ’sostanze particolate’), nel nostro caso presenti nel liquame e
nell’insilato di mais. Esse devono infatti subire un preventivo processo di idrolisi, con
dinamiche diverse a seconda della tipologia di particolato, per essere trasformate in
sostanze solubili. D’altra parte l’ADM1 è troppo complesso e quindi non opportuno
per l’identificazione e il controllo del processo, basti pensare che esso dipende da
più di cento parametri sconosciuti o caratteristici della biomassa presente.
Una possibile soluzione consiste nel modificare il modello AMOCO originario
(Lotti et al., 2015), descritto nella Sezione 2.2, in modo che, come rappresentato
dalla matrice di Petersen riportata in Appendice A, tenga conto anche della fase
di disintegrazione ed idrolisi e del decadimento della biomassa. Vengono invece
trascurati l’alcalinità (Z) e la concentrazione di carbonio inorganico (C), perché
le relative equazioni sono disaccoppiate dal resto del modello. Questa descrizione
rappresenta meglio l’intero processo, senza entrare troppo nel dettaglio e fornendo
un modello allo stesso tempo semplice e completo, identificabile e utile ai fini del
progetto del sistema di controllo.
A questo nuovo modello, supponendo che il nostro reattore sia completamente
miscelato (omogeneo), corrisponde quindi il seguente sistema di equazioni:
Q
Ẋ01 = (X01IN − X01 ) − Kh1 X01 (2.19a)
V
Q
Ẋ02 = (X02IN − X02 ) − Kh2 X02 (2.19b)
V
Q
Ẋnd = (XndIN − Xnd ) + Kh1 Knd1 X01 + Kh2 Knd2 X02 (2.19c)
V
Q S1
Ẋ1 = (X1IN − X1 ) + µ1max X1 − Kd1 X1 (2.19d)
V S1 + KS1
Q S2
Ẋ2 = (X2IN − X2 ) + µ2max X2 − Kd2 X2 (2.19e)
V S2 + KS2 + S22 /KI
Q S1
Ṡ1 = (S1IN − S1 ) + K01 Kh1 X01 + K02 Kh2 X02 − K1 µ1max X1 (2.19f)
V S1 + KS1
Q S1
Ṡ2 = (S2IN − S2 ) + K2 µ1max X1
V S1 + KS1
S2
−K3 µ2max X2 (2.19g)
S2 + KS2 + S22 /KI
˙ 4 Q S2
CH = (CH4IN − CH4 ) + K4 µ2max X2 (2.19h)
V S2 + KS2 + S22 /KI
Le Equazioni (2.19a) ed (2.19b) descrivono rispettivamente le dinamiche di idro-

lisi del particolato dell’insilato di mais (X01 ) e del liquame (X02 ). Le cinemati-
che Khi determinano le velocità dei due processi d’idrolisi (i = 1, 2), mentre
2.3. Modello AMOCO modificato 21
le stechiometrie Kndi e K0i determinano le frazioni di materiale non degradabi-

le (Xnd ) e solubile (S1 ) prodotto dai processi. L’Equazione (2.19c) determina
l’andamento della concentrazione di sostanza non degradabile, mentre l’Equazio-
ne (2.19h) l’andamento della concentrazione di metano liquido nel reattore. Le
Equazioni (2.19d–2.19g) sono riprese dal modello AMOCO originale.
Per quanto riguarda invece le uscite, si è deciso di misurare la concentrazione di acidi
volatili (2.20a), il flusso effettivo (gassoso) di metano (2.20b) e la concentrazione
totale dei solidi volatili (2.20c).
y1 = S 2 (2.20a)
S2
y2 = KLA K4 µ2max X2 (2.20b)
S2 + KS2 + S22 /KI
y3 = X01 + X02 + Xnd + X1 + X2 + Kconv (S1 + S2 ) (2.20c)
Si è deciso di non prendere in considerazione la misura del pH in quanto non

sarebbe stato possibile determinare i parametri della rispettiva equazione. Infatti,
sebbene il valore sia stato misurato costantemente nel reattore, la mancata misura
del pH e dell’alcalinità delle sostanze in ingresso, le misure troppo rare dell’alcalinità
del digestato e le complicazioni dovute al monitoraggio del carbonio organico e
inorganico, avrebbero causato l’impossibilità di una corretta identificazione del
modello.
Dato che il sistema risulta ancora troppo complesso, causa il numero elevato di
parametri da identificare e l’assenza di alcune misurazioni sulle matrici in input, è
possibile effettuare ulteriore approssimazione.
Per prima cosa si omettono le componenti in ingresso XndIN , X1IN , X2IN , S2IN e
CH4IN , ipotizzando, come è ragionevole che sia, che al digestore non siano alimentati
i microrganismi responsabili della degradazione (che si sviluppano nel digestore
stesso), nè sia presente metano, il quale rappresenta il prodotto del processo
degradativo. L’assenza totale di S2IN è frutto di un’ipotesi semplificatava, motivata
dal fatto che i substrati in ingresso considerati nel caso di studio sono costituiti
prevalentemente da sostanze particolate (X0i ) e frazione solubile (S1 ), presente
sotto la forma di lattosio nel siero di latte. Si considerano poi le concentrazioni
X01IN , X02IN e S1IN come ingressi del sistema.
Si ottiene così un sistema MIMO (4 ingressi – 3 uscite) del settimo ordine, non-lineare
con 19 parametri, descritto dalle Equazioni 2.21a–2.21j alla pagina successiva.
Q
Ẋ01 = (X01IN − X01 ) − Kh1 X01 (2.21a)
V
Q
Ẋ02 = (X02IN − X02 ) − Kh2 X02 (2.21b)
V
Q
Ẋnd = − Xnd + Kh1 Knd1 X01 + Kh2 Knd2 X02 (2.21c)
V
Q S1
Ẋ1 = − X1 + µ1max X1 − Kd1 X1 (2.21d)
V S1 + KS1
Q S2
Ẋ2 = − X2 + µ2max X2 − Kd2 X2 (2.21e)
V S2 + KS2 + S22 /KI
Q S1
Ṡ1 = (S1IN − S1 ) + K01 Kh1 X01 + K02 Kh2 X02 − K1 µ1max X1 (2.21f)
V S1 + KS1
Q S1 S2
Ṡ2 = − S2 + K2 µ1max X1 − K3 µ2max X2 (2.21g)
V S1 + KS1 S2 + KS2 + S22 /KI
y1 = S2 (2.21h)
S2
y2 = KLA K4 µ2max X2 (2.21i)
S2 + KS2 + S22 /KI
y3 = X01 + X02 + Xnd + X1 + X2 (2.21j)
(2.21k)
Dove
x = [x1 x2 x3 x4 x5 x6 x7 ]T = [X01 X02 Xnd X1 X2 S1 S2 ]T (2.22a)

T T
u = [u1 u2 u3 u4 ] = [Q X01IN X02IN S1IN ] (2.22b)
T
y = [y1 y2 y3 ] (2.22c)
Capitolo 3
Identificazione parametrica
Per poter utilizzare il modello è necessario assegnare un valore a tutte le

grandezze che lo definiscono e successivamente validarlo, confrontando le risposte
prodotte dal modello stesso con le misure disponibili. I valori dei parametri possono
essere stabiliti in diversi modi:
• Attraverso una misura diretta, possibile per le grandezza fisicamente

accessibili;
• Attraverso l’adozione di valori definiti dalla letteratura scientifica;
• Attraverso processi di identificazione a partire da dati sperimentali a

disposizione, per le grandezze non misurabili fisicamente.
I parametri sono stati identificati in due fasi distinte. Una prima fase è basata
sull’analisi dei Biochemical Methane Potential (BMP) ed ha portato all’identifi-
cazione dei parametri K01 , K02 , Kh1 , Kh2 , Knd1 , Knd2 e le concentrazioni X01IN e
X02IN e XndIN delle matrici in ingresso. Una seconda fase ha invece applicato una
tecnica di identificazione parametrica basata su una trasformazione LFT (Linear
Fractional Transformation) del modello AMOCO modificato (vedi Sezione 2.3) per
l’identificazione dei parametri Kd1 , Kd2 . I rimanenti valori dei parametri sono stati
assunti da Batstone et al., 2002; Giupponi, 2015
In Appendice B è presente un prospetto riassuntivo dei parametri con i relativi
valori, descrizione e riferimento.
23
24 Capitolo 3. Identificazione parametrica
3.0.1 Biochemical Methane Potential (BMP)

Un test di BMP (per approfondimento, vedi Appendice C.0.1) fornisce una misu-
ra del potenziale di produzione di metano attraverso processi biochimici, ossia una
stima della digeribilità anaerobica di un dato substrato. Esso consiste in una prova
batch dove dei reattori più piccoli vengono riempiti ognuno con una componente
(silomais e liquame nel nostro caso) della matrice di alimentazione del reattore
principale e un inoculo1 comune. La produzione di metano viene poi costantemente
monitorata e il suo valore a regime definisce il potenziale di produzione di metano
della componente. L’uso dell’analisi di BMP fornisce quindi un metodo relativamen-
te poco costoso e ripetibile che consente di confrontare la digeribilità anaerobica e
la produzione potenziale di biogas tra diversi substrati, valutando così l’efficienza
produttiva un determinato materiale o matrice in ingresso. Le informazioni fornite
da queste analisi sono da una parte preziose per la valutazione dell’adeguatezza di
una sostanza organica ad essere sottoposta a degradazione anaerobica (espressa in
termini di resa di conversione di questa sostanza in metano), dall’altra permettono
di ottimizzare la progettazione e il funzionamento di un digestore anaerobico. Infatti
esse ci forniscono alcuni essenziali parametri utilizzabili nella modellizzazione del
processo degradativo.
L’utilizzo di substrati lignocellulosi, come l’insilato di mais, e/o di liquami zootecnici
limitano l’intero processo di digestione anaerobica al primo stadio di idrolisi (Ange-
lidaki et al., 2009), la cui dinamica prevale sulle altre più veloci. L’identificazione
di queste curve di BMP ci permette quindi non solo di caratterizzare la quantità di
metano prodotto, pertanto di materia degradabile, ma anche le dinamiche d’idroliz-
zazione dei vari tipi di particolato con il quale verrà alimentato il reattore. Infatti,
come riportato da Angelidaki et al., 2009, basterà trovare il valore della costante
di tempo più lenta di ciascuna prova per determinare la dinamica del processo
d’idrolisi.
Gli esperimenti sono stati condotti in laboratorio utilizzando strumenti commerciali
per la misura e delle bottiglie immerse in bagno termostatico come reattori. Sono
state effettuate due prove in condizioni similari per ogni componente (insilato di
mais, liquame e siero di latte) ed è stato preso il valore medio delle produzioni di
metano come misura attendibile. La procedura utilizzata per analizzare le curve di
BMP si suddivide in 4 passaggi:
• Lettura dei dati delle analisi BMP da file Excel;

• Identificazione esponenziale di primo ordine sulle analisi di BMP dell’insilato
di mais e del liquame;
• Identificazione esponenziale di secondo ordine sulle analisi di BMP dell’insilato
di mais e del liquame;
• Analisi e conversione dei parametri secondo le unità di misura del modello.
L’inoculo è un substrato, generalmente ricavato dallo scarto di un reattore in DA, con una
1
elevata concentrazione di batteri partecipanti al processo di digestione anaerobica e sostanza

particolata trascurabile
25
Lettura dei dati da file Excel

Per prima cosa i dati della produzione del metano, forniti su supporto Excel,
sono stati caricati in MATLAB, successivamente è stata fatta una media delle due
prove (Figura 3.1). Il codice è riportato in Appendice D.1.
BMP Mais BMP Liquame

400 200
/g SV )
/g SV )
180
350
4
4
CH
CH
160 LiquameA
300 LiquameB
Produzione specifica di metano (NmL

MaisA 140 Liquame
MaisB
250
Mais 120
200 100
80
150
60
100
40
50
20
0 0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Tempo (giorni) Tempo (giorni)
BMP Siero
350
/g SV )
300
4
CH
SieroA
SieroB
250 Siero
200
150
100
50
0
0 10 20 30 40 50 60
Tempo (giorni)
Figura 3.1: Produzione di gas metano nel campione A, B e media della stessa matrice di insilato
di mais (a sinistra), di liquame (a destra) e di siero (sotto).
Identificazione esponenziale di primo ordine

Per identificare queste curve sì è scelto inizialmente di utilizzare una cinematica
del primo ordine. Viene quindi analizzata la produzione di metano attraverso una
cinetica del tipo
BM P (t) = BM Pinf (1 − e−Kh t ) (3.1)

Dove BM P (t) è la produzione cumulata di metano in N mLCH4 /gSV 2 , BM Pinf
la resa finale e Kh la costante cinetica in d−1 . Il risultato è visibile in Figura 3.2 e
Tabella 3.1. Per determinare la bontà dell’identificazione è stato utilizzato l’MSE3 .
Il codice è riportato in Appendice D.2 per il mais e Appendice D.3 per il liquame.
2
La produzione di metano viene misurata in mL di metano in condizioni normali (N mLCH4 ) o
standard di temperatura e pressione (STP/TPS), ossia 25℃e 1 bar, per grammo di solido volatile
(gSV ).
3
L’errore quadratico medio o mean-squared error (MSE) viene calcolato come la somma delle
P n 2
i=1 (xi −x̂i )
differenze al quadrato tra i valori della curva originale e quella identificata. M SE = n
BMP Mais 1 polo BMP Liquame 1 polo

400 200
/g SV )
/g SV )
180
350
Dati
4
CH
CH
160 Identificato
Produzione specifica di metano (NmL 300 Dati

Identificato 140
250
120
200 100
80
150
60
100
40
50
20
0 0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Figura 3.2: Curve di BMP originale (dati) e con un identificazione del primo ordine,
rispettivamente di mais (a sinistra) e di liquame (a destra).
VALORE UNITÀ MISURA

Khmais 0.1165 d−1
BM P∞mais 353.4696 N mLCH4 /gSV
M SE 62.0874 –
Khliqame 0.1099 d−1
BM P∞liqame 189.6067 N mLCH4 /gSV
M SE 5.5862 –
Tabella 3.1: Valori ottenuti dall’identificazione delle curve di BMP con una cinetica del primo
ordine.
Identificazione esponenziale di secondo ordine

Tuttavia, non avendo misure sulle componenti del particolato in ingresso e
volendo provare se una cinematica più complessa potesse dare risultati migliori, si è
scelto di utilizzare un modello del secondo ordine. La cinematica utilizzata è del
tipo

Kh2 Kh1
BM P (t) = BM Pinf 1+ e−Kh1 t + e−Kh2 t (3.2)
Kh2 − Kh1 Kh1 − Kh2
Dove BM P (t) è la produzione cumulata di metano in N mLCH4 /gSV , BM Pinf

la resa finale, Kh1 e Kh2 le costanti cinetiche in d−1 .
Il risultato è visibile in Figura 3.3 e Tabella 3.2. Il codice è riportato in
Appendice D.4 per il mais e Appendice D.5 per il liquame.
Analisi e conversione dei parametri

In questa sezione si elaborano i risultati precedentemente ottenuti per ottenere dei
valori utilizzabili nel nuovo modello AMOCO descritto nelle Equazioni 2.21a–2.21i
in Sezione 2.3.
Come prima cosa si vuole far notare come la più complessa identificazione di secondo
27
BMP Mais 2 poli BMP Liquame 2 poli

400 200
/g SV )
/g SV )
180
350
4
4
CH Dati
CH
Dati 160
Identificato
300

Identificato
140
250
120
200 100
80
150
60
100
40
50
20
0 0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Figura 3.3: Curve di BMP originale (dati) e con un identificazione del secondo ordine,
rispettivamente di mais (a sinistra) e di liquame (a destra).
VALORE UNITÀ MISURA

Kh1mais 0.1416 d−1
Kh2mais 0.5209 d−1
BM P∞mais 352.6676 N mLCH4 /gSV
M SE 109.5926 –
Kh1liqame 0.1062 d−1
Kh2liqame 1879.3 d−1
BM P∞liqame 190.8205 N mLCH4 /gSV
M SE 4.5927 –
Tabella 3.2: Valori ottenuti dall’identificazione delle curve di BMP con una cinetica del secondo
ordine.
ordine sia di poco migliore rispetto alla precedente. Quindi, dato questo fatto e
in assenza di misure specifiche sul substrato in ingresso, si decide di utilizzare per
semplicità il modello di primo ordine.
Un’analisi fisica dei risultati ci porta a concludere che la cinematica ottenuta si
riferisce alla prima fase di idrolisi, la più lenta, definita nelle prime equazioni del
modello. Risulta dunque lecito utilizzare i valori di BM Pinf e Kh per il calcolo dei
parametri K01 , Kh1 , K02 , Kh2 , Knd1 e Knd2 .
Per quanto riguarda il siero di latte viene utilizzato solo il valore BM Pinf , visibile
anche dal grafico, per il calcolo della componente solubile equivalente (S1 ). Infatti,
sia la sua composizione chimica che le dinamiche rilevate risultano abbastanza
compatibili con questa scelta.
Tuttavia, dato che il nostro modello, come descritto dalla matrice di Petersen (A.1),
utilizza delle unità di misura differenti da quelle standard delle analisi di BMP, risulta
necessario convertire i parametri trovati. La prima formula (3.4a) è necessaria per
relazionare i volumi di metano con il COD4 , ottenendo il fattore di conversione CF 1.
Essa si basa sulla formula chimica di ossidazione del metano (3.3), che stabilisce la
4
Il COD (Chemical Oxygen Demand) definisce la "domanda chimica di ossigeno", ossia quel
valore, espresso in grammi di ossigeno per litro, che rappresenta la quantità di ossigeno necessaria
per la completa ossidazione per via chimica dei composti organici ed inorganici presenti in un
campione di acqua. 1 gCOD = 1 gO2 /mL
necessità di 2 molecole di ossigeno (32 gO2 ciascuna) per ossidare completamente

una mole di CH4 , e sul volume molare standard5 .
CH4 + 2O2 −→ CO2 + 2H2 O (3.3)

La seconda formula (3.4b) fornisce un fattore di conversione CF 2 ottenuto grazie
a rilevazioni sperimentali sulla biomassa. Esso è il rapporto tra la concentrazione di
solidi volatili per Kg di materia e i grammi di ossigeno richiesti per una completa
ossidazione di un Kg di materia in ingresso (insilato di mais, liquame), entrambi
ricavati da analisi di laboratorio.
64
1N mLCH4 ≈ gCOD ≈ 2.86 · 10−3 gCOD
1000 · 22, 414
gCOD
=⇒ CF 1 = 2.86 · 10−3 (3.4a)
mLCH4
gSVi /KgT Qi
CF 2i = , i = silomais, liquame (3.4b)
gCODi /KgT Qi
Vengono qui riportate le formule utilizzate, basate sia sui dati precedentemente
ricavati che su quelli provenienti dal modello ADM1 (vedi Tabella B.1 in Appendi-
ce B). Per il calcolo dei K0i si rimanda a Giupponi, 2015 e all’Appendice B, mentre
per il calcolo dei Kndi è stato usato il complementare della frazione (fX0,i ) di X0i
che viene trasformata in CH4 .
K 1 K3
K01 = BM P∞mais · 15.625 · CF 1
K2 K4
= 353.47 · 22.454 · 2.86 · 10−3 = 22.7 gCOD /gSV (3.5a)
Kh1 = Khmais = 0.1165 d−1 (3.5b)
Knd1 = 1 − fX0,mais = 1 − BM P∞mais · CF 1 · CF 2
= 1 − 353.47 · 2.86 · 10−3 · 0.773 = 0.219 gSV /gSV (3.5c)
K1 K 3
K02 = BM P∞liqame · 15.625 · CF 1
K2 K 4
= 189.61 · 22.454 · 2.86 · 10−3 = 12.2 gCOD /gSV (3.6a)
Kh2 = Khliqame = 0.1099 d−1 (3.6b)
Knd2 = 1 − fX0,liquame = 1 − BM P∞liquame · CF 1 · CF 2
= 1 − 189.61 · 2.86 · 10−3 · 0.718 = 0.610 gSV /gSV (3.6c)
K1 K 3
K03 = BM P∞siero · 15.625 · CF 1
K2 K4
= 320.11 · 22.454 · 2.86 · 10−3 = 20.6 gCOD /gSV (3.7a)
(3.7b)
Per un gas ideale, il volume molare standard è il volume occupato da una mole a temperatura
5
e pressione standard (STP). Equivale a 0, 022414 m3 /mol (22, 414 L/mol).

29
In sintesi, i risultati applicati al modello AMOCO modificato sono riportati

in Tabella 3.3. Il parametro K03 non è presente nel modello in quanto utilizzato
nel preprocessing dei dati di alimentazione come coefficiente moltiplicativo per
ricavare i gCOD di S1IN a partire dalle misure in gSV del siero di latte della matrice
di alimentazione usata nella sperimentazione.
Tabella 3.3: Tabella dei valori identificati dalle analisi di BMP

VALORE UNITA’ MISURA
K01 22.7 gCOD /gSV
K02 12.2 gCOD /gSV
K03 20.6 gCOD /gSV
Kh1 0.1165 d−1
Kh2 0.1099 d−1
Knd1 0.234 gSV /gSV
Knd1 0.579 gSV /gSV
Simulazione e analisi risultati

Viene quindi svolta una prima simulazione in MATLAB del modello AMOCO
modificato utilizzando i parametri fin ora individuati e/o derivati dalla tesi di
Giupponi, 2015. Scopo di questa simulazione è quello di stabilire quanto il modello
fin ora identificato sia veritiero rispetto alle misure sperimentali effettuate. A questo
scopo è stato ricostruito un vettore di segnali in ingresso al sistema, basato sui dati
giornalieri ricavati dai referti di laboratorio per l’alimentazione del reattore sotto
osservazione. La Figura 3.4 mostra il confronto tra la produzione reale e stimata.
Come si può ben notare in Figura 3.4, il sistema risulta troppo "lento" e il
collo di bottiglia è il processo di idrolisi. Questo suggerisce come le costanti di
tempo precedentemente individuate (Kh2 e Kh1 ) siano incompatibili con questo
sistema. Una possibile causa può essere individuata nell’adattamento del substrato
ad un’alimentazione costante e specifica: la popolazione batterica si modifica,
"specializzandosi" nella digestione della matrice usata per l’alimentazione. Questo
porta ad un incremento della produzione soprattutto in termini di velocità, ma
anche in quantità. Questa cosa non è invece possibile con il sistema batch della
prova di BMP, in quanto esso viene caricato una sola volta ad inizio sperimentazione
e con un inoculo spesso proveniente da un reattore o impianto con alimentazione
differente. Utile anche notare come le concentrazioni batteriche e di particolato
inerte crescano molto velocemente determinando una sovrastima dei solidi volatili
totali.
Questo ci suggerisce di adottare una nuova, più complessa, ma anche più efficace
tecnica di identificazione descritta nella sezione successiva.
Figura 3.4: Simulazione del modello AMOCO modificato con i parametri derivati dalle pro-
ve di BMP. Le figure riportano rispettivamente gli output del sistema (sopra) e
l’andamento delle variabili di stato (sotto).
31
3.0.2 Linear Fractional Transformation (LFT)

Sebbene meno complesso e di ordine ridotto, il modello AMOCO modificato
è ancora non lineare e l’identificazione dei parametri non può essere effettuata
attraverso metodi classici, basati generalmente su modelli lineari tempo-invarianti
(LTI). Si è quindi deciso di utilizzare una formulazione diversa del modello mediante
l’utilizzo di una trasformazione lineare frazionaria (LFT), come descritto da
Della Bona et al., 2015a,b. Questa tecnica permette di linearizzare la dipendenza
dei parametri da identificare riformulando le equazioni del modello, così da applicare
poi un’identificazione lineare basata sul metodo di ‘Massima Verosimiglianza’.
Metodo di Massima Verosimiglianza per sistemi LFT

Si riporta qui il metodo di ‘Massima Verosimiglianza ’ per l’identificazione dei
parametri di un generico sistema dinamico non-lineare tempo-invariante espresso
in forma di spazio di stato (Equazioni 3.8a–3.8b). La trattazione è basata sugli
articoli di Casella e Lovera, 2008; Della Bona et al., 2015a; Hsu, Vincent, Wolodkin
et al., 2008.
ẋ(t) = f (x(t), u(t), δ 0 ) x(0)=x0 (3.8a)

y(t) = g(x(t), u(t), δ 0 ) (3.8b)
Dove f e g sono funzioni note, x(t) il vettore delle variabili di stato, u(t) e y(t)
rispettivamente ingresso e uscita del sistema, δ i parametri del modello di cui δ 0 il
valore esatto. Partendo da questo modello, disponendo della storia temporale di
u(t) e y(t) (t ∈ [0, T ]) definita con k = 1, . . . , N campioni, si vuole identificare quei
parametri non noti a priori determinando quel valore δ̂ tale per cui la simulazione
del modello eccitato dall’ingresso u(t) approssimi al meglio la storia dell’uscita z(t)
(misurata) soggetta a rumore e associata ai parametri esatti.
Si prende quindi in considerazione la cifra di merito quadrata (Cost Function)
N
1 1 X T
J(δ) = he(t, δ), e(t, δ)iN = e (k, δ)e(k, δ) e(k) = z(k, δ 0 ) − ŷ(k, δ) (3.9)
2 2N
k=1
Dove e(t, δ) è l’errore di predizione tra l’uscita misurata, ritenuta esatta, e

quella predetta dal modello.
Volendo ora trovare i parametri δ̂ minimizzanti l’Equazione 3.9, si decide di utilizzare
la procedura iterativa di ottimizzazione basata sull’algoritmo di Gauss-Newton:
δ̂(ν + 1) = δ̂(ν) − α(ν) · Ĥ−1 (δ̂(ν)) · g(δ̂(ν)) (3.10)
Dove ν e α(ν) sono rispettivamente il numero e il passo d’iterazione,

g(δ) : Rq → Rq e Ĥ(δ) : Rq → Rq×q sono il gradiente e un’approssimazione del-
l’Hessiano della Cost Function rispetto al vettore dei parametri da identificare,
definiti nelle equazioni 3.11.
N
1 X T
g(δ) = E (k, δ)e(k, δ) (3.11a)
N
k=1
N
1 X
Ĥ(δ) = ET (k, δ)E(k, δ) (3.11b)
N
k=1
Dove E(k, δ) è lo Jacobiano di e(k, δ) definito dall’Equazione 3.12

∂e(k, δ) ∂e(k, δ) ∂e(k, δ)
E(k, δ) = ··· (3.12)
∂δ1 ∂δ2 ∂δq
In questo lavoro l’ottimizzazione vera e propria è stata eseguita dalla funzione

MATLAB fmincon, che riceve in input la funzione di costo J(δ), il gradiente g(δ),
l’Hessiano approssimato Ĥ(δ) e i limiti dei parametri come vincoli del problema di
ottimizzazione.
Si è poi deciso di utilizzare una trasformazione LFT per la creazione del modello:
questo velocizza il calcolo, evitando di utilizzare il metodo delle differenze finite,
in quanto i parametri dipendono linearmente dalle nuove variabili. Per ulteriori
approfondimenti sulla procedura di calcolo si rimanda a Della Bona et al., 2015a.
Viene riportata la Figura 3.5, come sintesi visiva del sistema LFT per il calcolo
dell’uscita stimata e della sensitività di essa rispetto ai parametri δi , i = 1, .., q.
Modello LFT
Consideriamo ora il generico sistema dinamico non-lineare tempo-invariante in
Equazioni 3.8a–3.8b. La forma generica di un modello LFT è
ẋ = Ax + B1 w + B2 ζ + B3 u (3.13a)
z = C1 x + D11 w + D12 ζ + D13 u (3.13b)
ω = C2 x + D21 w + D22 ζ + D23 u (3.13c)
y = C3 x + D31 w + D32 ζ + D33 u (3.13d)
w = ∆z = diag{δ1 Ir1 , . . . , δq Irq }z (3.13e)
ζ = Θ(ω) (3.13f)
dove z ∈ Rnz , ω ∈ Rnω , w ∈ Rnw , ζ ∈ Rnζ sono vettori di variabili ausiliarie, A,

Bi , Ci , Dij sono matrici costanti note, ri sono le dimensioni delle matrici identità
corrispondenti Iri nel blocco ∆ e Θ(ω) : Rnω → Rnσ è una funzione non lineare
vettoriale nota.
Per prima cosa è necessario verificare che ciascun parametro incognito δi moltiplichi
una variabile. Se così non fosse è necessario modificare opportunamente il modello
garantendo ovviamente l’equivalenza dello stesso. Un esempio viene qui riportato.
x1 x21
−→ (3.14)
x 1 + δ1 x21 + δ1 x1
Figura 3.5: Schema a blocchi per la simulazione di un sistema LFT. Data la storia dell’input u(t), esso permette la computazione dell’uscita stimata e delle
funzioni di sensitività.
33
Successivamente, se nel modello ogni parametro δi comparisse sempre

moltiplicato per la stessa funzione fi (·), si potrà porre:
wi = δi fi (·) (3.15a)
zi = fi (·) (3.15b)
altrimenti si dovrà porre
   
w(r1 +···+ri−1 )+1 z(r1 +···+ri−1 )+1
.. .. (3.16)
.  = δi  . , ∀i = 1, . . . , q
   

w(r1 +···+ri−1 )+ri z(r1 +···+ri−1 )+ri
Considerando il sistema di Equazioni 2.21a–2.21j, che descrive il nostro modello
di digestione anaerobica, si vuole ora creare il corrispettivo modello LFT valutando
Kh1 , Kh2 , Knd1 , Knd2 , K01 , K02 , Kd1 , Kd2 e KLA come parametri incogniti. Tuttavia,
data l’esigua quantità dei dati e la complessità del modello, risulta molto difficile, se
non impossibile, ottenere dei valori accettabili per i parametri con un procedimento
di identificazione automatico. Per ovviare questo problema, si è innanzitutto
deciso di modificare il modello espletando i parametri in funzione delle equazioni
biochimiche (3.5–3.6). Si è inoltre scelto di usare BM P1 e BM P2 al posto di
BM P∞mais e BM P∞liqame rispettivamente, per semplicità di scrittura dei parametri.
Si ottiene così il seguente sistema:
u1
ẋ1 = (u2 − x1 ) − δ1 hx1 i (3.17a)
V
u1
ẋ2 = (u3 − x2 ) − δ2 hx2 i (3.17b)
V
u1
ẋ3 = − x3 + δ1 hx1 i − ρ1 δ3 hδ1 hx1 ii + δ2 hx2 i − ρ2 δ4 hδ2 hx2 ii (3.17c)
V
u1 x6
ẋ4 = − x4 + µ1max x4 − δ5 hx4 i (3.17d)
V x6 + KS1
u1 x7
ẋ5 = − x5 + µ2max x5 − δ6 hx5 i (3.17e)
V x7 + KS2 + KI x27
u1 x6
ẋ6 = (u4 − x6 ) + ρ3 δ3 hδ1 hx1 ii + ρ3 δ4 hδ2 hx2 ii − K1 µ1max x4 (3.17f)
V x6 + KS1
u1 x6 x7
ẋ7 = − x7 + K2 µ1max x4 − K3 µ2max x5 (3.17g)
V x6 + KS1 x7 + KS2 + KI x27
y1 = x7 (3.17h)
x7
y2 = KLA K4 µ2max x5 (3.17i)
x7 + KS2 + KI x27
y3 = x1 + x2 + x3 + x4 + x5 (3.17j)
Dove
x = [x1 x2 x3 x4 x5 x6 x7 ]T = [X01 X02 Xnd X1 X2 S1 S2 ]T (3.18a)
T T
u = [u1 u2 u3 u4 ] = [Q X01IN X02IN S1IN ] (3.18b)
T T
y = [y1 y2 y3 ] = [y1 y2 y3 ] (3.18c)
T T
δ = [δ1 δ2 δ3 δ4 δ5 δ6 δ7 ] = [Kh1 Kh2 BM P1 BM P2 Kd1 Kd2 KLA ] (3.18d)
T −3 −3 −3 T
ρ = [ρ1 ρ2 ρ3 ] = [2.21 · 10 2.05 · 10 64.2 · 10 ] (3.18e)
35
Per prima cosa è necessario evidenziare i termini del tipo δi hfi (·)i, così da porre
wi = δi zi = δi hfi (·)i e ricavare i vettori z e w. Successivamente si devono separare i
termini lineari dai non-lineari, assegnando la variabile ζi ad ogni termine non lineare
che appare nel vettore z e nel sistema di equazioni. Si rende così quest’ultimo
lineare nelle variabili x, w, ζ e u. Si definiscono dunque le variabili ωi , così da
rendere le ζi funzioni delle sole ωi (ζ = Θ(ω)). Per ultimo si ricavano le matrici A,
Bi , Ci , Dij e ∆, secondo la forma generica LFT (3.13a–3.13f). In Appendice E.1
vengono riportati i risultati rilevanti del modello.
Identificazione LFT
L’identificazione è stata condotta attraverso un algoritmo a due stadi, come

descritto in Della Bona et al., 2015a, sviluppato dallo stesso A. Della Bona sotto
forma di ToolBox. Questo, infatti, prevede due funzioni principali:
[Solution, . . . ] = LFTsolver (LFTfun, Input, InitialConditions,

•
LFTSolverOptions);
definita solutore in quanto risolve il sistema in forma LFT (LFTfun) date le
condizioni iniziali (InitialConditions) e gli input (Input).
[DELTA_opt, . . . ] = LFTOptDelta (LFTfun, Input, InitialConditions,

• LFTsolverOptions, y_mis,
LFToptimOptions);
definita ottimizzatore in quanto risolve il problema di ottimizzazione parame-
trica riducendo l’errore tra l’output generato da (LFTfun), date le condizioni
iniziali (InitialConditions) e gli input (Input), e la misura y_mis.
La funzione LFTfun è una struttura contenente tutte le informazioni del sistema

LFT. Infatti, in essa troviamo le matrici LFT, le funzioni non lineari (Θ(ω)), le
derivate di queste funzioni rispetto ciascuna ω, la matrice ∆ dei parametri sotto
forma numerica e simbolica. Quest’ultima ci permette di definire la posizione dei δi
nella matrice ∆, i loro limiti (δimin e δimax ) e un flag per stabilire tra i parametri
quali identificare.
Un ulteriore modifica è stata successivamente apportata, mediante la normaliz-
zazione dei parametri. Infatti è buona norma che tutti i valori dei parametri da
ottimizzare durante il processo di identificazione stiano nell’intervallo ±1 (Della Bo-
na et al., 2015a), dove +1 corrisponde al limite superiore, viceversa −1 all’inferiore.
Questa tecnica viene utilizzata soprattutto per mantenere efficiente l’inversione della
matrice Hessiana ed ottenere un problema di ottimizzazione sempre ben definito.
Per fare ciò sono stati introdotti dei parametri normalizzati
δimax + δimin δimax − δimin ¯

δi = + δi (3.19)
2 2
ed è stata introdotta una procedura automatizzata di costruzione della struttura

LFTfun con il modello normalizzato, approfondito in Appendice E.2.
Simulazione, analisi dei risultati e validazione

Per prima cosa è stata effettuata un’analisi della sensitività dei parametri per
vedere in che modo essi incidano sulla variazione dei tre output. Si è scoperto
così che, nella regione d’interesse, i parametri Khi e BM Pi influiscono molto sulla
produzione di metano e meno sulla produzione di VFA e solidi volatili, mentre i
parametri di decadenza batterica Kd influiscono, come previsto, sulla quantità di
solidi totali e produzione di VFA. Queste considerazioni hanno portato ad effettuare
due identificazioni: la prima basata sulla produzione del metano con identificazione
dei soli Khi e BM Pi , la seconda basata su tutti e tre gli output e parametri Kd1 ,
Kd2 e KLA .
I dati utilizzati per questa identificazione provengono da una campagna di speri-
mentazione fatta per circa tre mesi su due reattori da laboratorio. Questi reattori
sono stati fatti funzionare in uno stato ibrido (≈ 41) tra mesofilia (35) e termofilia
(55) ed alimentati manualmente in maniera discontinua, secondo un piano di ali-
mentazione conosciuto. Nella simulazione del sistema è stato utilizzato il vettore
di segnali in ingresso al sistema basato sul piano di alimentazione ricavato dai
referti di laboratorio per l’alimentazione del reattore, già usato nella simulazione coi
parametri ricavati dalle analisi di BMP. Si sono misurate la produzione di biogas e
la sua composizione in modo automatico e continuo. Sono state anche effettuate
alcune rilevazioni sulla produzione di VFA e solidi sospesi volatili totali (SSV o
SVout ) in modo discontinuo e manuale. Le condizioni iniziali della sperimentazione
non sono conosciute.
Dopo aver effettuato più volte le due identificazioni prima descritte e aggiornando
man mano i parametri, si sono ottenuti dei valori ottimali, riportati in Tabella 3.4.
I grafici in Figura 3.6 e Figura 3.7 mostrano l’andamento del modello rispetto ai
due reattori, validando i risultati ottenuti. Da sottolineare il fatto che il reattore R2
lavori a 42, mentre R1 a 40: questo comporta una velocità leggermente maggiore
nei processi (e negli output) di R2, rispetto a R1.
VALORE UNITA’ MISURA

Kh1 0.3817 d−1
Kh2 0.2493 d−1
BM P1 388.5 N mLCH4 /SV
BM P2 215.4 N mLCH4 /SV
Kd1 0.2346 d−1
Kd2 0.3196 d−1
KLA 0.987 −
K01 24.91 gCOD /gSV
K02 13.81 gCOD /gSV
Knd1 0.1411 gSV /gSV
Knd2 0.5576 gSV /gSV
Tabella 3.4: Tabella dei valori ricavati (sopra) dall’identificazione LFT e calcolati (sotto) con le
equazioni biochimiche (3.5–3.6).
37
Figura 3.6: Simulazione del modello AMOCO modificato con i parametri derivati dall’iden-
tificazione LFT. La figura riporta i tre output del sistema, basati sui dati del
reattore R1: la linea rappresenta il modello simulato con i parametri trovati nelle
due identificazioni, mentre i cerchi i dati misurati.
Figura 3.7: Simulazione del modello AMOCO modificato con i parametri derivati dall’iden-
tificazione LFT. La figura riporta i tre output del sistema, basati sui dati del
reattore R2: la linea rappresenta il modello simulato con i parametri trovati nelle
due identificazioni, mentre i cerchi i dati misurati.
Reattore R1 Reattore R2
T ICV F A 0.2109 0.2511
T ICCH4 0.0825 0.1056
T ICSSVout 0.0305 0.0718
Tabella 3.5: Tabella dei gli indici TIC per la quantificazione della bontà del modello identificato.
La tabella contiene il valore dell’indice per ogni singolo output del modello per ogni
reattore.
Per ultima cosa si è deciso di controllare la bontà del modello identifica-

to, quantificandola attraverso il coefficiente di Theil (TIC; Theil, 1961) definito
dall’Equazione 3.20.
r
(yi − ym,i )2
P
i
T IC = rP r (3.20)
yi2 +
P 2
ym,i
i i
Dove yi e yi,m rappresentano rispettivamente i valori dell’uscita simulata e misu-

rata (reale) per i = 1, . . . , N con N dati. Un valore dell’indice TIC inferiore di 0.3
indica una buona corrispondenza con i dati misurati (Theil, 1961; Vandekerckhove
et al., 2008; Zhou, 1993).
Come intervallo dati si è scelto di utilizzare solamente i dati rilevanti (t = t1 , . . . , t2 ).
L’istante iniziale è stato scelto arbitrariamente (t1 = 10), ma sufficientemente
distante dall’origine in modo che il valore dell’output stimato non dipendesse dalle
condizioni iniziali in quanto non conosciute. L’istante finale invece è stato impostato
a t2 = 137 per il reattore R1, in quanto nei giorni successivi è stato notificato un
guasto al controllo del pH con conseguente aggiunta incontrollata di acidi e basi,
e a t2 = 140 per il reattore R2, in quanto non è stato più alimentato nei giorni
successivi a causa di un guasto al miscelatore e al controllo del pH.
I risultati sono riportati in Tabella 3.5, il reattore R2 presenta un TIC maggiore a
causa del funzionamento in termofilia.
Capitolo 4
Controllo
Come già detto nell’introduzione, in questo capitolo verrà discussa la possi-

bilità di sviluppare un controllore tarato sul modello sopra identificato, diverso
dalle solite azioni di controllo basate su regole empiriche comunemente presenti
in letteratura. Verranno anche brevemente discussi i vantaggi/svantaggi di una
diversa strumentazione e dei possibili controlli. Importante ricordare come lo scopo
di questo lavoro non sia solamente teorico, ma principalmente rivolto ad una reale
implementazione sui reattori UIT, in vista di una possibile realizzazione su impianti
pubblici e privati.
Per prima cosa si vuole parlare della strumentazione dei reattori principalmente
sotto l’aspetto di attuatori e sensori. Come organi di attuazione troviamo prin-
cipalmente valvole e pompe, meno utilizzate le coclee. Le pompe possono essere
principalmente di due tipi: centrifughe e peristaltiche. Le pompe centrifughe
sono utilizzate sopratutto per il ricircolo dei substrati, ma trovano spazio anche
per l’immissione della materia organica nel digestore. Esse sono più comuni e
solitamente meno costose delle pompe peristaltiche, tuttavia hanno una portata
meno precisa, soprattutto a basse velocità. Preferiscono materiale pretrattato in
ingresso senza la presenza di parti grossolane e possono associare pale e lame per
l’immissione, il ricircolo e il raffinamento del digestato. Le pompe peristaltiche,
invece, sono più gestibili in quanto riescono a trattare fluidi da viscosi a gassosi,
sono reversibili (lavorano in entrambe le direzioni), hanno portata precisa e molto
flessibile e possono lavorare in svariate condizioni chimiche. Per queste peculiarità
le pompe peristaltiche sono le uniche davvero in grado di dosare accuratamente
reagenti chimici (acidi, basi, soluzioni, enzimi...) e prelevare la giusta quantità di
substrato per le analisi.
Parlando invece di sensori, eccetto rari casi, questi reattori ne risultano carenti,
causando ragionevoli problemi di misura e quindi complicanze nel controllo. Inoltre
i sensori già presenti misurano spesso grandezze facilmente rilevabili, utili per
controlli empirici, ma non caratterizzanti il modello. Ad esempio nel nostro caso
sia i reattori AMPTS che i reattori UIT sono equipaggiati con strumentazione per
la determinazione della composizione e quantità di biogas prodotto, ma manca la
rilevazione automatica delle concentrazioni degli altri elementi presenti nei substrati
organici. Infatti anche solo per il modello AMOCO non abbiamo misurazioni
online relative alle popolazioni batteriche, alla frazione di materiale non degradabile
e solubile, mentre possiamo contare solo su sporadiche analisi manuali di VFA.
39
40 Capitolo 4. Controllo
Vi sono anche altri sensori solitamente in dotazione degli impianti per la misura
costante della temperatura e del pH, ma queste vengono generalmente utilizzate
per il mantenimento ad un valore standard. Non esiste ancora un modello che
descriva opportunamente il processo in base alle variazioni di temperatura, mentre
la modellizzazione del pH è estremamente complessa.
Prendendo atto di quanto detto fin ora, per prima cosa si vuole brevemente valutare
quanto l’utilità dell’aggiunta di ulteriori sensori e strumenti per il monitoraggio
delle variabili di processo possa fornire reale vantaggio nell’applicazione: un utilizzo
eccessivo di strumentazione porta ad un costo sia costruttivo che di mantenimento,
mentre la carenza di sensori, quindi di variabili misurate, influisce sulla qualità
dell’identificazione e del controllo. Se sonde misuranti pH e temperatura sono di
basso costo, facilmente installabili e utili per mantenere le condizioni ideali del
processo, portando quindi un discreto vantaggio, lo stesso non si può dire per la
strumentazione utilizzata nella misura delle popolazioni batteriche e degli elementi
chimici componenti i substrati. Infatti, se la produzione di metano è rilevabile
attraverso semplici dispositivi (vedi Appendice C) ed è di estrema importanza per
il controllo, essendo proprio la variabile ultima del processo che si vuole controllare,
lo stesso non si può dire per la concentrazione delle popolazioni batteriche. Un
vantaggio potrebbe invece giungere con la misurazione (o la stima) della concen-
trazione degli acidi grassi volatili. Infatti essi rappresentano lo stadio precedente
la formazione di metano e sono solitamente la principale causa di inibizione per
acidificazione: un accumulo di VFA porterebbe per prima cosa ad avere difficoltà
nel controllo della produzione di metano, causando sovraelongazioni per accumulo,
in secondo luogo all’inibizione del processo. Per la misura esistono diverse tecniche
tra cui la gascromatografia (GD-FID) del gas prodotto da un campione acidificato
(Boe et al., 2007), la titolazione (Bouvier et al., 2003) e la spettrometria a infrarossi
(Steyer et al., 2002) che, oltre a fornire un valore di VFA, ci permettono anche
di conoscere l’alcalinità (parziale e totale), il carbonio organico totale e il COD.
Queste tecniche possono essere implementate con strumentazione adeguata, più
complessa di un semplice sensore, ma semplicemente ed economicamente realizzabile.
La frequenta di campionamento può raggiungere l’ordine della decina di minuti,
tuttavia utilizzare una frequenza troppo elevata ridurrebbe il guadagno ottenuto
col controllo, dato che ogni analisi richiede l’impiego di energia e sostanze chimi-
che. Un possibile compromesso può essere trovato nell’utilizzo di un osservatore,
possibilmente adattivo, come sensore virtuale (Lara-Cisneros et al., 2016): esso
consentirebbe di avere un valore (stimato) di VFA sempre disponibile, riducendo la
frequenza delle analisi all’aggiornamento dei parametri.
La prima e più semplice politica di controllo prevede l’utilizzo del più classico
dei regolatori PI per il controllo della produzione di metano. Questo controllore
necessita della sola misura di portata metanigena e garantisce errore nullo a regime,
ma mostra tempi elevati di assestamento e rischio di pericolosi accumuli di VFA.
Allo scopo di evitare inibizione da accumulo e ridurre i tempi di assestamento,
si è deciso dapprima di provare algoritmi di gain-scheduling e successivamente di
introdurre la misura degli acidi grassi volatili nel controllo. Inizialmente si è optato
per una semplice compensazione pesata di quest’ultima nella legge di controllo,
ottenendo così una rilevante riduzione del picco di VFA. Successivamente è stato
realizzato uno schema di controllo a cascata per avere una maggiore riduzione dei
4.1. Regolatori PID 41
picchi di concentrazione di VFA e la possibilità di inserire un limitatore dinamico.

Quest’ultimo risulta essere utile in quanto può assumere valori diversi nel tempo
eventualmente calcolati sulla base di altri parametri, utilizzando ad esempio il
metodo empirico dei FOS/TAC (VFA/TA).
Nelle sezioni seguenti si trova una descrizione più dettagliata dei controllori e la
loro rispettiva taratura.
4.1 Regolatori PID

I PID (regolatori ad azione Proporzionale-Integrale-Derivativa) sono sicuramente
i regolatori più utilizzati in ambito industriale e non (Bolzern et al., 2008). Il loro
successo è dovuto in primo luogo al fatto che consentono di controllare in modo
semplice e soddisfacente un ampia gamma di processi; inoltre sono state sviluppate
nel tempo molte regole di taratura applicabili con buoni risultati anche nel caso in
cui non esista un modello matematico preciso del sistema sotto controllo. Per la
loro semplicità, i regolatori PID possono essere realizzati non solo con controllori
elettronici analogico-digitali, ma anche con tecnologie meccaniche, idrauliche o
pneumatiche. Tutto questo implica un vantaggio realizzativo in termini economici
con tempi brevi e costi contenuti.
Nelle sezioni seguenti verranno presentate tutte le diverse tipologie di controllo

testate sul modello. Nella Sezione 4.1.1 vi è una descrizione del regolatore PID,
una sua possibile realizzazione e taratura. Successivamente vengono trattate le
politiche di controllo realizzate sulla base del modello AMOCO modificato, i loro
vantaggi e opportunità: nella Sezione 4.1.2 viene presentato il controllore PI/PID
con parametri fissi e variabili per il solo controllo della produzione di metano;
nella Sezione 4.1.3 viene introdotta la compensazione degli acidi grassi volatili;
nella Sezione 4.1.4 viene proposto un controllore a cascata per il controllo della
concentrazione di VFA e produzione di CH4 .
4.1.1 Modello, realizzazione e taratura dei regolatori PID

Un regolatore PID, come suggerisce il suo stesso nome, è composto da tre
contributi:
Proporzionale (P) un primo proporzionale all’errore e tra il segnale di riferimento

w, definito anche set-point (S.P.), e la variabile controllata y, o control variable
(C.V.);
Integrale (I) un secondo proporzionale all’integrale di e, necessario affinché l’errore

si annulli asintoticamente;
Derivativo (D) un terzo proporzionale alla derivata di e per "anticipare" l’anda-

mento della variabile di controllo u, o control variable (C.V.), negli istanti
futuri.
La legge di controllo, cioè il legame tra u e e è quindi:

Z t
de(t)
u(t) = KP e(t) + KI e(τ )dτ + KD (4.1)
t0 dt
O, applicando la trasformata di Laplace,

KI 1
RP ID (s) = KP + + KD s = KP 1+ + TD s (4.2)
s TI s
Dove, KP , KI e KD sono rispettivamente i coefficienti proporzionali dell’azione

proporzionale, integrale e derivativa, mentre TI = KP /KI e TD = KD /KP sono il
tempo integrale (o di reset) e derivativo.
Naturalmente non tutte e tre le azioni devono essere contemporaneamente presenti:
dato che lo scopo di questo lavoro è quello di ottenere un controllo applicabile alla
strumentazione di laboratorio, si è scelto di utilizzare l’azione proporzionale ed
integrale, necessaria per ottenere a regime il valore di set point desiderato. L’azione
derivativa è stata introdotta successivamente per completezza, in quanto apporta
un leggero miglioramento nella risposta del sistema. Tuttavia essa è da non ritenersi
strettamente necessaria se lo scopo è quello di ottenere un sistema semplice e
funzionale. Sempre allo scopo di avere un controllore proprio, implementabile nella
realtà, l’azione derivativa è stata modificata come segue.
Ideale Reale KP TD s KD s
RD (s) = KP TD s = KD s −→ RD (s) = TD
= (4.3)
1+ N s 1 + KKPDN s
Dove N è una costante positiva con valori tipici 5 ÷ 20, scelta in modo tale
che il polo s = −N/TD sia nel contempo abbastanza elevato da essere esterno alla
banda di frequenze d’interesse del controllo, ma relativamente basso per godere
della sua azione filtrane sulle componenti ad alta frequenza del disturbo.
Per la realizzazione pratica del controllore sono stati adottati tre accorgimenti
volti a migliorare le prestazioni del sistema di controllo nell’utilizzo reale: la
limitazione dell’azione derivativa, la desaturazione dell’azione integrale (anti
wind-up) e un inserimento "morbido" della regolazione automatica.
La limitazione dell’azione derivativa consiste nell’utilizzare la variabile controllata
y come ingresso del derivatore al posto dell’errore: l’uscita del sistema, come
nel nostro caso, è solitamente simile ad un filtro passa-basso e le sue variazioni
istantanee risultano moderate. Questo accorgimento è in accordo con il requisito
di moderazione del controllo e ci permette di utilizzare scalini (o rampe ad alta
pendenza) nel segnale di riferimento w, senza che si creino andamenti di tipo
impulsivo nella variabile di controllo u.
L’azione combinata dell’azione integrale e la presenza di una saturazione, caratteri-
stica tipica degli attuatori, può portare ad un effetto non-lineare denominato carica
integrale o, più comunemente, wind-up. Questo accade quando l’errore si mantiene
dello stesso segno per un certo periodo, portando lo stato dell’integratore, e quindi
anche l’uscita u, oltre al limite di saturazione che risulta essere la reale uscita
dell’attuatore. Quando poi l’errore cambierà segno, sarà necessario attendere che lo
Figura 4.1: Schema di controllo PID con anti wind-up, inserimento morbido dell’azione di
controllo e limitazione dell’azione derivativa (Bolzern et al., 2008).
stato dell’integratore rientri entro i limiti di saturazione, in zona lineare, prima di

vedere dei cambiamenti nell’uscita dell’attuatore. Per ovviare a ciò, tutti gli schemi
proposti in letteratura hanno in comune la caratteristica di alimentare il regolatore
anche con il segnale a valle della saturazione, in modo tale che l’evoluzione dello
stato dell’integratore sia coerente con l’andamento effettivo della variabile di
controllo.
Ultimo accorgimento considerabile più come optional che strettamente necessario,
è l’inserimento "morbido" della regolazione automatica. In molte applicazioni,
questa compresa, risulta necessaria una fase di avviamento dove spesso capita di
non trovarsi nell’intorno del punto di funzionamento nominale. Risulta quindi
necessario un primo azionamento manuale e successivamente l’inserimento del
controllo automatico. Durante questa commutazione è importante che il regolatore
sia in grado di fornire istantaneamente un valore della variabile di controllo il più
possibile simile a quello manuale usato fino a quel momento. Questo implica che
lo stato del regolatore, da cui dipende l’uscita, debba assumere subito un valore
opportuno, senza dover aspettare che esso vada a regime.
Lo schema di controllo che racchiude tutto quello detto fin ora si configura come in
Figura 4.1.
Quando la funzione di trasferimento (F.d.T.) del sistema sotto controllo è nota,

i parametri del PID possono essere valutati attraverso tecniche di sintesi basate
sulla conoscenza dei diagrammi di Bode o del luogo delle radici della F.d.T. stessa
(Bolzern et al., 2008). Tuttavia può accadere che la F.d.T. non sia conosciuta o,
come nel nostro caso, complessa e/o dipendente da non-linearità a tal punto da
richiedere un onere d’analisi sproporzionato rispetto all’esigenza di progettare un
regolatore semplice e in grado di fornire prestazioni accettabili. In questo caso
è possibile utilizzare metodi di taratura automatici che consentono di giungere
direttamente alla sintesi del regolatore (P/PI/PID) a partire da prove effettuate sul
processo reale o simulato. Le prime regole empiriche di taratura furono introdotte
da Ziegler e Nichols nel 1942 e da allora sono state proposte molte altre tecniche
alcune delle quali sono state riportate in Appendice F.
4.1.2 Controllore PI/PID per il solo controllo della

produzione di metano
Il primo controllore implementato sul sistema è un semplice PI/PID come da
schema in Figura 4.1. G(s) è il nostro processo, definito anche Plant, realizzato sulla
base del modello AMOCO identificato (Equazioni 2.21a–2.21j e Parametri B.1) in
unione ad un "convertitore" (Equazioni 4.4a-4.4c) che relaziona la portata massica
delle sostanze agli ingressi volumetrici (portata e concentrazioni) del modello.
P
i wi
Q= (4.4a)
1000
 wi · V Si if Q > 0,

Ci = 1000 · Q (4.4b)
0 altrimenti.

X wi · CODi
OLR = (4.4c)
1000 · V
i
Dove wi è la portata massica (gT Q /s) del componente i-esimo (silomais, liquame,
siero), CODi (gCOD /KgT Q ) e V Si (gSV /KgT Q ) sono rispettivamente la domanda
d’ossigeno e la quantità di solidi volatili per unità di massa, Ci la concentrazione
(gSV /L o gCOD /L) del componente i-esimo come definito da modello, V il volume
del reattore, Q la portata volumetrica (L/s) e ORL il carico organico applicabile.
Si ricorda che per semplicità 1L = 1Kg.
Da letteratura un carico organico applicabile varia nel range 2 − 10 KgmCOD 3 d , di
conseguenza per ottenere i massimi ed i minimi per ogni matrice basta considerare
la somma del prodotto tra la massa di ogni singola matrice di alimentazione per il
corrispondente valore CODi . Inoltre è importante sottolineare come oltrepassare il
limite superiore può portare ad inibizione per sovralimentazione del reattore, mentre
azzerare il carico per brevi periodi non è così dannoso in quanto le popolazioni
batteriche hanno dinamiche di decadenza molto lente.
Considerando la variabilità nel COD delle matrici nel tempo troviamo le soglie
riportate in Tabella 4.1.
max min
Liquame [g/d] 401 70
Silomais [g/d] 225 50
Siero [g/d] 252 70
OLR [ KgmCOD
3d ] 10,5 2
Tabella 4.1: Limiti di portata sulle matrici di alimentazione.
Un’altra informazione importante sul sistema riguarda le modalità di carico:

mentre il siero viene immesso automaticamente attraverso pompe peristaltiche,
liquame e silomais vengono alimentati manualmente. Questo ci suggerisce di
considerare la portata di siero come variabile di controllo, diversamente le portate
di liquame e silomais come disturbo variabile nei limiti di Tabella 4.1.

Per la realizzazione del controllore è stato scelto il metodo di taratura automatica
in anello aperto con identificazione dei parametri basata sul metodo della tangente.
Questa scelta si basa sul fatto che, come visibile da alcune delle risposte ottenute
con una prova a scalino (positivo e negativo) sul sistema (Figura 4.2), possiamo
approssimare il processo con una dinamica dominante del prim’ordine i cui parametri
variano sulla base dell’input e dello stato del sistema. Questa variabilità ci suggerisce
quindi di utilizzare una schedulazione dei parametri del regolatore.
Figura 4.2: Risposta del Plant ad un ingresso con scalino positivo (sinistra, t = 5) e negativo
(destra, t = 20). Sono state mostrate tre curve campione dove i rispettivi valori degli
scalini di siero (g/d) sono: in rosso 0 − 250, in verde 150 − 250 e in blu 50 − 200.
Sono quindi state effettuate una serie di simulazioni sul Plant imponendo alla
portata di siero (input) un segnale a scalino positivo e negativo i cui valori di
offset e altezza variavano dal massimo al minimo con un passo del 20%. Grazie poi
al metodo della tangente applicato alla dinamica più veloce della produzione di
metano (output), sono stati trovati i valori necessari per ricavare i parametri KP ,
TI e TD nelle varianti IMC, ZN, Cohen e Coon (vedi Appendice F).
Inizialmente è stato sintetizzato un controllore PI a parametri fissi basato sulla media
dei valori ottenuti dai metodi automatici e successivamente raffinato manualmente
attraverso simulazione. I parametri ottenuti sono riportati in Tabella 4.2, mentre la
Figura 4.3 mostra una simulazione del sistema controllato. Il segnale di riferimento
presenta le tipologie di variazione più significative tra le possibili richieste di
produzione metanigena: richiesta elevata, frequenza giornaliera (e bigiornaliera).
Non vengono invece riportate le singole tarature IMC, ZN, Cohen e Coon di PI e
PID in quanto mostrano prestazioni inferiori o non sufficienti.
Il passo successivo è stato effettuato verso la discretizzazione del controllore.
Sebbene i sistemi PID siano nella stragrande maggioranza dei casi facilmente ap-
plicabili attraverso sistemi analogici, la versatilità, la facilità d’integrazione con
HMI e il fatto che molti impianti risultino essere già costruiti con predisposizione
al controllo digitale, rendono di fatto quest’ultimo una scelta obbligata. Gli stessi
reattori UIT-BTP2 utilizzano un controllo digitale con interfaccia HDMI attraverso
PC.
L’algoritmo del controllore è stato realizzato sulla base del sistema tempo di-
screto (Equazioni 4.5a–4.5f) ottenuto convertendo in spazio di stato il sistema di
controllo (PID, Figura 4.1) ed effettuando la discretizzazione attraverso il metodo
di Eulero in avanti.
KP TI
4.9 · 104 4.5 · 103
Tabella 4.2: Parametri del regolatore PI classico (analogico).
Figura 4.3: Simulazione del sistema controllato attraverso un classico PI a parametri fissi. Sopra
viene mostrato l’andamento della produzione di metano in alcuni possibili scenari di
richiesta giornaliera, bigiornaliera e di picco. Sotto, invece abbiamo uno zoom della
produzione giornaliera di metano (sinistra) e la portata di alimentazione (destra).
P : q(k) = KP e(k) (4.5a)

 x (k) = 1 − TS x (k − 1) + TS c(k − 1)

1 1
I: TI TI (4.5b)
z(k) = x1 (k)


 x (k) = 1 − TS N x (k − 1) + TS KP y(k − 1)

2 2
D: TD TD (4.5c)
2
f1 (k) = −N x2 (k) + KP N y(k)

( (
f1 (k) h1 (k) T , EN=1
EN : f2 (k) h2 (k) T = T
(4.5d)
0 uman , EN=0

h2 (k) ≤ umin


  umin ,

c(k) = h2 (k), umin < h2 (k) < umax




 
h2 ≥ umax

umax ,
 
Saturazioni :  (4.5e)


  umin ,
 u(k) ≤ umin




 m(k) = u(k) , umin < u(k) < umax
 
umax , u(k) ≥ umax


 e(k) = w(k) − y(k)

F eedback : h1 (k) = q(k) + z(k) (4.5f)

u1 (k) = c(k) − f2 (k)

Dove TS è il tempo di campionamento, o sampling time, k è l’istante di campio-

namento, EN è il segnale booleano per attivare (1) o disattivare (0) il controllo,
umax e umin sono i limiti di saturazione della variabile di controllo.
Una volta implementato l’algoritmo, il controllore è stato realizzato in Modeli-
ca attraverso un ciclo while avente come condizione sample(0, TS ) e argomento
l’algoritmo stesso. Il controllore lavora così solo agli istanti di tempo multipli di
TS (trigger di temporizzazione) campionando gli ingressi, calcolando gli output e
mantenendo questi fino al successivo trigger (ZOH). Questa soluzione permette
di simulare in tempo continuo l’intero sistema formato dal Plant, naturalmente
realizzato con equazioni tempo continuo, e controllore digitale, basato su equazioni
tempo discreto. Il tempo di campionamento (TS ) è stato impostato a 5 minuti,
un valore scelto in modo tale da analizzare un discreto spettro comprendente le
dinamiche più veloci, ma non il rumore di misura dei sensori. La possibilità di
aggiungere un filtro passa-basso è un opzione da considerare per evitare problemi
di aliasing, soprattutto con i segnali derivanti dal sistema reale.
Il regolatore così ottenuto è stato tarato utilizzando i parametri del precedente PI.
In Figura 4.4 sono riportati i risultati della simulazione del sistema con controllore
digitale a parametri fissi (Tabella 4.3).
Successivamente sono state provate le altre tecniche di taratura automatica in
schedulazione di guadagno. Al controllore è stata così aggiunta una lookup table
capace di interpolare i parametri (KP , TI e TD ) sulla base del valore della portata
di metano e del segno positivo/negativo dell’uscita. La struttura dati usata per
la schedulazione è stata costruita sulla base dei valori identificati con i metodi di
taratura automatica. In Figura 4.5 vengono riportati i risultati più rilevanti della
simulazione del sistema con controllore digitale e schedulazione dei parametri basati
su taratura automatica IMC (Tabella 4.4). Il valore di Tf per la taratura IMC (vedi
Appendice F) è stato impostato a 0.35T , così da avere un controllo più moderato e,
di conseguenza, una minore sollecitazione dell’attuatore.
Osservando i risultati, si può notare come il controllo a schedulazione di guadagno
non porti grandi vantaggi. Infatti, i valori dei parametri schedulati sono molto
simili e il tracking del riferimento non è migliore di quello ottenuto con controllore
a parametri fissi.
KP TI
4.9 · 104 4.5 · 103
Tabella 4.3: Parametri del regolatore PI digitale.
Figura 4.4: Simulazione del sistema tempo continuo, controllato attraverso un PI digitale (tempo
discreto) a parametri fissi. Sopra viene mostrato l’andamento della produzione di
metano in alcuni possibili scenari di richiesta giornaliera, bigiornaliera e di picco.
Sotto, invece abbiamo uno zoom della produzione giornaliera di metano (sinistra) e
la portata di alimentazione (destra).
y KP TI y KP TI
1.85 · 10−8 1.60 · 104 4.64 · 105 1.20 · 10−7 9.63 · 103 5.36 · 103
1.14 · 10−7 1.50 · 104 8.93 · 104 2.20 · 10−7 8.67 · 103 2.76 · 103
2.14 · 10−7 8.95 · 103 9.41 · 103 3.20 · 10−7 8.24 · 103 1.86 · 103
3.14 · 10−7 6.37 · 103 3.06 · 103 4.20 · 10−7 8.66 · 103 1.64 · 103
4.14 · 10−7 4.33 · 103 1.56 · 103 5.20 · 10−7 9.62 · 103 1.38 · 103
Tabella 4.4: Parametri del regolatore PI digitale con schedulazione. A sinista per C.V. positiva,
a destra per C.V. negativa.
Figura 4.5: Simulazione del sistema controllato attraverso un classico PI digitale con schedula-
zione dei parametri. Sopra viene mostrato l’andamento della produzione di metano
in alcuni possibili scenari di richiesta giornaliera, bigiornaliera e di picco. Sotto,
invece abbiamo uno zoom della produzione giornaliera di metano (sinistra) e la
portata di alimentazione (destra).
4.1.3 Controllore PI/PID per il controllo della produzione

di metano con compensazione dei VFA
Sebbene il controllore appena sintetizzato dia dei risultati tutto sommato sod-
disfacenti in termini di portata di metano, tuttavia esso presenta ancora un in-
conveniente: l’accumulo di VFA, riconoscibile dall’entità della sovraelongazione
nella risposta del sistema (Figura 4.3) e visibile in Figura 4.6. In quest’ultima
è chiaramente individuabile il picco generato dall’improvvisa ed elevata richiesta
di metano a bassi regimi. Essa causa un’elevata portata di alimentazione con
conseguente accumulo di acidi grassi volatili dovuta alla differente dinamica dei
processi di acidogenesi ed idrolisi.
Figura 4.6: Andamento della concentrazione di VFA nel sistema con controllore PI per la
produzione di metano.
Per evitare che il reattore venga riempito troppo velocemente, generando così
l’accumulo, si è scelto in prima battuta di compensare l’uscita del controllore con
un contributo negativo funzione della concentrazione dei VFA. Questo accorgimento
fa sì che ad un aumento della concentrazione stessa corrisponda una diminuzione
del carico, riducendo così la quantità di VFA accumulata nel sistema. La legge di
controllo può allora essere espressa come in Equazione 4.6.
Z t
de(t)
u(t) = KP e(t) + KI e(τ )dτ + KD + Kcmp ucmp (4.6)
t0 dt
Dove, accanto alle tre classiche azioni proporzionale-integrale-derivativa, tro-

viamo l’azione compensativa formata dal guadagno (Kcmp = −1.7 · 10−4 ) e dalla
misura dei VFA (ucmp = S2 ).
Lo schema di controllo risultante è rappresentato in Figura 4.7.
Il sistema controllato è stato implementato in Modelica come il precedente, sia
con controllore analogico che digitale. L’algoritmo di quest’ultimo è stato modificato
aggiungendo la componente di compensazione e la rispettiva abilitazione, come da
Equazioni 4.7a e 4.7b.
Figura 4.7: Schema di controllo PID (Figura 4.1) con aggiunta della compensazione, come da
Equazione 4.6.
( (
T
T
··· Kcmp ucmp (k) , EN=1
EN : ··· cmp(k) = T
(4.7a)
··· 0 , EN=0
F eedback : u1 (k) = c(k) − f2 (k) + cmp(k) (4.7b)
Per la taratura sono stati utilizzati gli stessi valori dei precedenti controllori
senza compensazione.
Per concisione viene qui riportata solo la taratura (Tabella 4.5) e la simulazione
(Figura 4.8) del controllore analogico a tempo continuo. I risultati sono molto simili
a quelli ottenuti con il PID per il solo controllo della produzione di metano: il
controllore digitale è simile all’analogico, mentre l’uso del gain scheduling IMC
limita la variabile di controllo. Qualche piccola differenza la possiamo notare nella
riduzione delle oscillazioni d’assestamento, soprattutto col la taratura più moderata
del gain scheduling, e nel minor tempo d’assestamento. La grande differenza, invece,
la troviamo nella concentrazione degli acidi grassi volatili, visibile in Figura 4.9.
Infatti essa ha subito una vistosa diminuzione, con picchi ridotti fino a dieci volte
tanto.
KP TI
4.9 · 104 4.5 · 103
Tabella 4.5: Parametri del regolatore PI compensato (analogico).
Figura 4.8: Simulazione del sistema controllato attraverso un regolatore PI a parametri fissi
con l’aggiunta della comensazione dei VFA. Sopra viene mostrato l’andamento della
produzione di metano in alcuni possibili scenari di richiesta giornaliera, bigiornaliera
e di picco. Sotto, invece abbiamo uno zoom della produzione giornaliera di metano
(sinistra) e la portata di alimentazione (destra).
Figura 4.9: Andamento della concentrazione degli acidi grassi volatili nel sistema controllato
con controllore PI, compensato con la misura della concentrazione stessa dei VFA.
4.1.4 Controllore PI/PID a cascata per il controllo della

produzione di metano
Visti i risultati del controllore precedente e l’importanza della concentrazione
dei VFA sulla "salute" della digestione anaerobica, si è pensato di realizzare un
controllore leggermente più complesso capace però di controllare sia la produzione
di metano che la concentrazione degli acidi grassi volatili. La scelta di utilizzare due
controllori PI a cascata è frutto di un’analisi più approfondita del modello AMOCO
modificato sugli stadi del processo. Infatti, come descritto nella Sezione 1.1, la
materia solubile deve subire due fasi consecutive prima di trasformarsi in metano:
la prima di acidogenesi e acetogenesi (P1 ) e la seconda di metanogenesi (P2 ). In
caso di materiale particolato, come il silomais e il liquame, vi è l’aggiunta della
fase iniziale di disintegrazione e idrolisi (P0 ). Obbiettivo del controllore a cascata è
quello di controllare i processi di acidogenesi e acetogenesi attraverso il controllore
interno con anello chiuso sulla misura dei VFA, mentre la produzione di metano
viene controllata in anello chiuso attraverso il controllore esterno. La Figura 4.10
rappresenta il sistema controllato.
Figura 4.10: Sisema controllato con un controllo a cascata. Il regolatore interno (RIN T (s)) è
proporzionale all’errore tra i VFA imposti dal controllore esterno e la misura reale.
Il controllore esterno (REST (s)) è un PI per il tracciamento del set-point della
produzione di metano.
Da evidenziare come le dinamiche dei processi di acidogenesi, acetogenesi e

metanogenesi dipendono non solo dalla concentrazione di VFA (S2 ) e sostanze
solubili (S1 ), ma anche dalle concentrazioni dei rispettivi batteri (X1 e X2 ) che
risultano essere fisicamente non misurabili. Questo comporta diverse non-linearità
nelle risposte che portano a delle complicazioni nel controllo del sistema. Nella
Figura 4.11 sono mostrate alcune risposte del Plant ad uno scalino di alimentazione
di siero.
Il picco presente nella risposta è dovuto all’accumulo dei VFA nel sistema
causato dalla bassa concentrazione batterica iniziale. A parità di alimentazione,
questo picco è di entità tanto maggiore quanto più bassa è la concentrazione
batterica. Come già detto, quest’ultima non è direttamente misurabile, ma è
sicuramente dipendente dal rateo di produzione di biogas: maggiore è la portata
di metano maggiore è la popolazione batterica nel reattore e minore sarà il picco.
Una primitiva soluzione a questo problema risiede nell’uso della schedulazione dei
parametri per il controllore interno. In questo lavoro si è deciso di fare variare il
guadagno del controllore interno linearmente con la portata di metano, così che
il controllore abbia una risposta più moderata laddove esiste maggiormente la
Figura 4.11: Risposta del Plant ad un ingresso con scalino positivo (sinistra, t = 5) e negativo
(destra, t = 40). Sono state mostrate tre curve campione dove i rispettivi valori
degli scalini di siero (g/s) sono: in rosso 0 − 250, in verde 150 − 250 e in blu
50 − 200.
probabilità di accumulo degli acidi grassi volatili.

Un ulteriore vantaggio derivante da questo controllo è la possibilità di utilizzare
una saturazione dinamica sul regolatore esterno così da limitare la concentrazione
di VFA ad un valore desiderato, calcolato real time sulla base di considerazioni
empiriche e/o delle condizioni d’inibizione del processo. Questa caratteristica è di
grande importanza perché da la possibilità di considerare alcuni fattori d’inibizione
secondari non previsti dal modello AMOCO modificato qui proposto, garantendo
una maggiore stabilità del sistema.
Per tarare i parametri dei regolatori è stata utilizzata la procedura di taratura
automatica basata su Ziegler-Nichols per il controllore interno e IMC per l’esterno.
I valori ottenuti sono poi stati lievemente modificati per adattarsi meglio alle
non-linearità.
Il sistema è stato quindi simulato in Modelica. I parametri utilizzati per i controllori
sono riportati in Tabella 4.6, i risultati ottenuti sono mostrati in Figura 4.12.
Confrontando il tempo d’assestamento delle prime due immagini, si può facilmente
notare come il controllo interno sia più veloce di quello esterno, rendendo efficace
questa tipologia di controllo sul sistema.
KP TI KP TI
2.5 · 106 1 · 103 2.5 · 104 · wCH4 5 · 104
Tabella 4.6: Parametri dei regolatori digitali del controllo a cascata. A sinistra i parametri del
regolatore PI esterno, a destra del regolatore PI interno.
Figura 4.12: Simulazione del sistema con controllo a cascata. Vengono mostrati l’andamento
della produzione di metano (sopra) e della concentrazione dei VFA (centro) in
alcuni possibili scenari di richiesta giornaliera, bigiornaliera e di picco. Sotto,
invece abbiamo uno zoom della produzione giornaliera di metano (sinistra) e la
portata di alimentazione (destra).
Conclusioni
La produzione di biogas attraverso processi di digestione anaerobica viene gene-

ralmente descritta mediante modelli molto complessi che comprendono parecchie
equazioni rappresentanti processi bio-chimici e popolazioni batteriche. Modelli
accurati ed altamente descrittivi come l’ADM1 sono ottimi sotto il punto di vista
descrittivo, ma possono essere difficilmente usati per il monitoraggio e controllo
online. Si devono quindi considerare modelli di ordine ridotto, meno descrittivi,
ma sicuramente di più facile identificazione ed analisi. Tra questi modelli viene
innanzitutto presentato e considerato l’AMOCO: un modello a due soli stadi per
la produzione di metano a partire dalla sostanza solubile. Successivamente viene
aggiunto un ulteriore stadio preliminare con cinetica del primo ordine, fondamentale
per tutte quelle sostanze particolate che necessitano di un processo d’idrolizzazio-
ne, normalmente abbastanza lento, per trasformarsi in sostanze solubili. Questa
modifica amplia notevolmente il campo di applicabilità del modello, che si adatta
ora anche a sostanze composte prevalentemente da materiale organico particolato
come liquami zootecnici, matrici lignocellulosiche (scarti agricoli, rifiuti organici
alimentari, ecc.) e coltivazioni energetiche specifiche. Il modello così ottenuto è
stato utilizzato per identificare il processo di digestione anaerobica partendo da dati
ricavati mediante sperimentazione batch e continua su reattori in scala laboratorio
alimentati con matrici composte da liquame bovino, insilato di mais e siero di latte.
L’identificazione dei principali parametri è stata condotta attraverso due meto-
di: l’analisi di BMP e il metodo di massima verosimiglianza con approccio LFT.
L’analisi di BMP è stata utilizzata come metodo già testato in letteratura per
ricavare i coefficienti stechiometrici e cinematici dei processi d’idrolisi a partire da
prove batch effettuate su ogni singola matrice. Tuttavia, se per la stechiometria
si può affermare che i parametri identificati siano generalmente corretti, a meno
di piccole variazioni percentuali, altrettanto non si può dire della cinematica, la
quale risulta incorretta e fortemente dipendente dalla tipologia d’inoculo utilizzato
per la prova. Il secondo metodo identificativo proposto utilizza un’identificazione
di massima verosimiglianza del modello, partendo dai dati dei reattori alimentati
in continuo. Infatti, sebbene di ordine ridotto, il modello AMOCO modificato è
ancora non-lineare e l’identificazione di alcuni dei suoi parametri può essere op-
portunamente affrontata attraverso un approccio LFT. Questa formalizzazione del
sistema permette una computazione efficiente dei gradienti e degli Hessiani di una
cost function di massima verosimiglianza, ottenuta semplicemente simulando filtri
lineari. Da questa seconda identificazione sono stati ottenuti dei buoni risultati che
hanno confermato la bontà del modello e del monitoraggio online della produzione
di metano, ma hanno al contempo suggerito la necessità di impiegare ulteriore
57
58 Conclusioni
strumentazione per la misura degli acidi grassi volatili.

Per concludere il lavoro effettuato sono state fatte delle simulazioni sul modello
identificato per analizzare le possibilità di controllo. Da ciò è emerso che, sebbene
il sistema sia altamente non-lineare, non vi è l’assoluta necessità di implementare
controllori altamente complessi per ottenere dei discreti risultati. Infatti, anche
dei semplici controllori PI (opportunamente tarati) bastano per ottenere uno dei
più ambiziosi obbiettivi come il profilo giornaliero di produzione di biogas. Questo
implica non solo un vantaggio logistico, ma anche economico: la possibilità di
costruire un impianto dalle dimensioni e dai costi ridotti, soprattutto nei serbatoi
di stoccaggio (biogas, alimentazione, scarti), di produrre/vendere l’energia in modo
più competitivo e di poter più facilmente integrare diverse tipologie di alimentazione.
Inoltre, è stato evidenziato come la misura online della concentrazione degli acidi
grassi volatili, ottenuta attraverso strumentazione o sensore virtuale (osservatore)
adattivo, sia di grande importanza per monitorare il processo: il controllo della
stessa porterebbe a migliorare la stabilità della digestione, evitando l’acidificazione
del sistema per accumulo.
Concludendo, da questo lavoro si evince come molto sia stato fatto sulla parte di
modellistica, che risulta essere abbastanza consolidata, ma ancora molto ci sia da
fare sull’identificazione sperimentale e sul controllo dei processi. Infatti, la scarsità
di informazioni presenti in letteratura e la poca strumentazione applicata ai digestori
porta a notevoli limitazioni nella valutazione dei parametri e, conseguentemente,
al controllo del processo di digestione anaerobica. Queste constatazioni, unite ai
risultati delle analisi e simulazioni effettuate, suggeriscono di procedere inizialmente
verso una miglioria della strumentazione, includendo soprattutto la misura online
dei VFA. Solo successivamente si potrà procedere verso una migliore identificazione
e pensare all’implementazione di strategie di monitoraggio e controllo avanzato.
Risulta invece ancora complicata l’identificazione relativa alla modellistica del pH.
Appendice A
Matrice di Petersen
La matrice Petersen è una descrizione completa dei processi di sistemi che

coinvolgono reazioni biochimiche. Essa presenta tante colonne j quanto il numero di
componenti (solitamente concentrazioni di sostanze chimiche, inquinanti, biomasse,
gas) e tante righe i come il numero di processi coinvolti (reazioni biochimiche e
degrado fisico). Viene aggiunta un’ulteriore colonna per ospitare la descrizione della
cinetica di ogni trasformazione (equazione di rateo).
La lettura della matrice può dunque essere effettuata per processo (righe) o per
componente (colonne). Nel primo caso possiamo affermare che il processo Pj
consuma (negativo) o produce (positivo) il componente Ci nella quantità aij con
una velocità pari al rateo ρj , analogamente possiamo affermare che il componente
Ci viene consumato o prodotto con quantità aij dal processo Pj con velocità ρj ,
questo per tutti i processi j = 1, . . . , nP e per tutte le componenti i = 1, . . . , nC .
Sfruttando queste letture e il principio di conservazione della massa, possiamo
rispettivamente dire che
nC
X dCi
aij =0 , ∀j = 1, . . . , nP (A.1a)
i=1
dt
P n
dCi X
= aij ρj , ∀i = 1, . . . , nC (A.1b)
dt j=1
Interessante notare come l’Equazione A.1b produca un sistema in forma ODE

del modello descritto dalla relativa matrice di Petersen.
Nella maggior parte dei casi, però, il sistema così prodotto non descrive sufficien-
temente la realtà, infatti esso trascura i possibili scambi di massa (in ingresso e
uscita) con l’esterno. Per ovviare a ciò basta modificare l’Equazione A.1b nel modo
seguente
P n
dCi Q X
= (CiIN − CiOU T ) + aij ρj , ∀i = 1, . . . , nC (A.2)
dt V j=1
Nel nostro caso, parlando di un reattore CSTR, utilizziamo questa equazione

generale approssimando CiOU T con Ci , in quanto si suppone che le concentrazioni
della materia in uscita siano molto simili a quelle presenti nel reattore.
59
60 Appendice A. Matrice di Petersen
Figura A.1: Matrice di Petersen del modello ADM1, come descritta da Della Bona et al., 2015a
e riportata in Allegrini, 2011. Parte 1/2
61
Figura A.2: Matrice di Petersen del modello ADM1, come descritta da Della Bona et al., 2015a
e riportata in Allegrini, 2011. Parte 2/2
62 Appendice A. Matrice di Petersen
Figura A.3: Matrice di Petersen del modello AMOCO, come descritta da Batstone et al., 2002
e riportata in Allegrini, 2011.
Tabella A.1: Matrice di Petersen del modello AMOCO Modificato
X01 X02 Xnd X1 X2 S1 S2 CH4 Rateo

gSV /L gSV /L gSV /L gSV /L gSV /L gCOD /L gCOD /L mol/L 1/d
P01 -1 Knd1 K01 Kh1 X01
P02 -1 Knd2 K02 Kh2 X02
S1
P1 +1 −K1 +K2 µ1max S1 +K S1
X1
2
P2 +1 −K3 +K4 µ2max S2 +KS2S+S 2 /K X2
I
2
P3 -1 Kd1 X1
P4 -1 Kd2 X2
63
Appendice B
Parametri modello
In questo appendice vengono riportati i parametri usati e trovati in fase di

identificazione del modello.
In Tabella B.1 vengono riportati i valori definitivi post identificazione del modello
AMOCO modificato.
65
66
Tabella B.1: Elenco completo dei parametri iniziali

DATO DESCRIZIONE UNITAḾISURA VALORE RIFERIMENTO
Kh1 Const. Cinetica Idro. (MAIS) 1/d 0.382 Analisi BMP e LFT
Kh2 Const. Cinetica Idro. (LIQUAME) 1/d 0.249 Analisi BMP e LFT
Knd1 Coeff. Stec. produzione Xnd (MAIS) gSV /gSV 0.141 Analisi BMP e LFT
Knd2 Coeff. Stec. produzione Xnd (LIQUAME) gSV /gSV 0.557 Analisi BMP e LFT
µ1max Rateo max crescita di X1 1/d 3.5 Da ADM1
µ2max Rateo max crescita di X2 1/d 0.74 Da ADM1
Kd1 Costante decadimento X1 1/d 0.235 Identificazione LFT
Kd2 Costante decadimento X2 1/d 0.320 Identificazione LFT
KS1 Costante semisaturazione S1 gCOD /L 7.1 Da ADM1
KS2 Costante semisaturazione S2 gCOD /L 0.594 Da ADM1
KI Costante inibizione gCOD /L 105 Convenzione
K01 Coeff. Stec. Idrolisi di S1 (MAIS) gCOD /gSV 24.91 Analisi BMP e LFT
K02 Coeff. Stec. Idrolisi di S1 (LIQUAME) gCOD /gSV 13.81 Analisi BMP e LFT
K1 Coeff. Stec. resa di X1 su S1 gCOD /gSV 28.57 Da ADM1
K2 Coeff. Stec. produzione di S2 su S1 gCOD /gSV 27.15 Da ADM1
K3 Coeff. Stec. consumo di S2 su gSV prodotto gCOD /gSV 30.3 Da ADM1
K4 Coeff. Stec. produzione di CH4 gas su gSV consumato molCH4 /gSV 0.0222 Da ADM1
KLA Coeff. passaggio CH4 aeriforme → liquido − 0.987 Identificazione LFT
Appendice B. Parametri modello
Appendice C
Analisi e strumentazione di
laboratorio
In questo appendice verranno descritte le due principali strumentazioni utilizzate

in laboratorio per condurre gli esperimenti, oltre ad un approfondimento degli
esperimenti stessi. I test sono stati effettuati presso i laboratori del Dipartimento di
Ingegneria Civile e Ambientale (DICA) del Politecnico di Milano, Polo di Cremona.
C.0.1 Biochemical Methane Potential (BMP): Descrizione e

procedura con AMPTS
Il test di BMP (Potenziale Biochimico di Metanizzazione) permette di determi-
nare la biodegradabilità anaerobica delle matrici attraverso una prova a campione.
Il test viene condotto in batch e consiste nella misura del metano prodotto dalla
degradazione anaerobica della sostanza di prova grazie all’azione di microrganismi
appositamente aggiunti.
AMTPS (Automated Methane Potential Test System)

Le analisi di BMP sono state svolte utilizzando l’AMTPS (Automated Methane
Potential Test System), uno strumento di laboratorio sviluppato dalla Biprocess
Control e organizzato nei nostri laboratori come in Figura C.1.
Figura C.1: Disposizione dello strumento AMTPS (Automated Methane Potential Test System)
nei nostri laboratori.
67
68 Appendice C. Analisi e strumentazione di laboratorio
Tale strumento consiste principalmente di tre unità:

Unità A Un incubatrice formata da 15 bottiglie di vetro del volume di 0.5L poste
in un bagno termostatato a temperatura regolabile, di norma mantenuta a
35 ± 0.5. Ogni bottiglia è inoltre dotata di un agitatore meccanico costituito
da un’asta verticale rotante.
Unità B Un set di 15 fiale contenenti una soluzione (3M di N aOH) alcalina per
l’assorbimento di alcune frazioni di gas come la CO2 e l’H2 S. Essa permette
il filtraggio del biogas proveniente dall’unità A. Un indicatore di pH è infine
associato ad ogni ampolla per monitorare la qualità della soluzione.
Unità C Un dispositivo per la misura della produzione di gas proveniente dall’uni-
tà B. Arrangiato in 15 celle composte ognuna da un’aletta immersa in acqua
che lavora secondo il principio di spostamento dei liquidi e galleggiabilità della
sostanza gassosa, monitorando anche flussi di gas ultra bassi. Ogni volta che
un dato volume di gas riempie la cella di misura essa rilascia il gas raccolto
e contestualmente genera un impulso digitale che viene acquisito mediante
apposito hardware e software integrato. Questo è quindi interfacciato con un
PC per l’analisi e visualizzazione.
Figura C.2: Schema operativo semplificato dello strumento AMTPS (Automated Methane
Potential Test System).
Il funzionamento è intuitivo e riassunto nello schema operativo riportato in

Figura C.2. Nell’unità A, dove avviene la produzione di biogas per digestione
anaerobica, viene immesso un substrato, composto da inoculo, campione e soluzione
madre, in condizione di anaerobiosi. Il biogas prodotto da ciascuna singola bottiglia
dell’unità A viene convogliato rispettivamente in un ampolla dell’unità B per la
purificazione. Il gas in uscita dalle ampolle dell’unità B, composto per la quasi
totalità da CH4 , viene poi rispettivamente campionato dalle celle dell’unità C.
Allestimento delle prove di BMP

Per avviare l’esperimento all’interno delle bottiglie, esse vengono inizialmen-
te poste in condizioni di anaerobiosi, successivamente si procede all’inserimento
69
contemporaneo del substrato da analizzare e dell’inoculo. Quest’ultimo contiene i

microrganismi responsabili della degradazione anaerobica della sostanza organica
contenuta nella matrice inserita e la sua qualità è fondamentale per la buona riuscita
del test. Generalmente si utilizza un inoculo che sia già stato a contatto con la
sostanza di prova, in modo da eliminare le problematiche legate all’adattamento
delle popolazioni batteriche. I campioni, grezzi o pretrattati, vengono inseriti
nelle bottiglie con il mix di fanghi, ottenuto in modo da mantenere un rapporto
substrato/inculo definito in base alla degradabilità del substrato stesso e alle speci-
fiche esigenze della prova. Viene infine inserito una medium salino e acqua fino al
raggiungimento di 0.5L totali.
Le prove sono effettuate in doppio, con l’aggiunta di un bianco (miscela senza
campione) per la misura della produzione aspecifica di metano e hanno avuto una
durata tipica tra 20 e 60 giorni. In ogni caso la prova di BMP è stata considerata
terminata solo nel momento in cui la produzione di metano risultava essere trascu-
rabile, cioè quando per 3 giorni consecutivi la produzione giornaliera di metano
risulta inferiore al 1% della produzione cumulata fino a quel giorno.
Per il calcolo del potenziale biochimico specifico di metanizzazione viene usata la
seguente formula:

LnCH4 (VCH4 ,S − VCH4 ,B ) [LnCH4 ]
BM P = (C.1)
gSV SVS [gSV /L] · VS [L]
Dove VCH4 è la quantità di metano accumulata durante l’intera prova dal sub-
strato (S) e dal bianco (B), SVS sono i solidi volatili del substrato, VS è il volume
del substrato inserito.
Viene infine calcolata la biodegradabilità del campione secondo la seguente
equazione:
h i
L
BM P gnCH 4
(C.2)
SV
B [%] = h i h
LnCH4
i · 100
COD gCOD
SV gSV
· 0.35 gCOD
Dove 0.35 [LnCH4 /gCOD ] è il volume di metano in condizioni normali prodotto per
ogni grammo di COD degradato.
C.0.2 Sperimentazione sull’impianto a biogas UIT-BTP2

Durante il periodo che va dal 16 Luglio 2015 al 22 Dicembre 2015 sono stati
effettuati dei test per studiare il processo di digestione anaerobica con matrici
composte da insilato di mais, liquame bovino e siero di latte. Il test è stato
effettuato con alimentazione giornaliera e manuale, secondo scenari preimpostati
ed è stato tenuto un diario per ogni operazione manuale o malfunzionamento
riscontrato nel sistema.
UIT-BTP2-Control
La sperimentazione è stata svolta utilizzando l’impianto test per la produzione di
biogas BTP2-Control (Biogas Test Plant), uno strumento di laboratorio sviluppato
70 Appendice C. Analisi e strumentazione di laboratorio
Figura C.3: Disposizione dello strumento BTP2-Control (Biogas Test Plant) nei nostri laboratori.
dalla UIT-Umweltleistungen (Umwelt- und Ingenieurtechnik GmbH, Dresden) e

organizzato nei nostri laboratori come in Figura C.3.
Tale strumento è costituito dalle seguenti principali unità:
Supporto (Rack) La struttura portante dell’impianto che sostiene tutti gli
elementi.
Reatori Due unità costruite in PVC e vetro, dal contenuto lordo di 17.2L (netto
13.7L). Sono provvisti di un imbuto ad accesso libero per l’alimentazione
manuale, una valvola per lo scarico manuale, una sonda del pH (EGS 173 con
tubo protettivo), un sensore di temperatura (TMR35), una connessione per
il biogas in uscita e una porta di riserva. Il biogas viene poi convogliato in
un’ampolla per la depurazione, provvista di sensore (PZ-V) per il controllo
della schiuma, prima di essere mandato al contatore. I reattori sono inoltre
provvisti di agitatori (RZR 2102) con rilevamento di coppia e membrana
riscaldante (500W) controllati digitalmente via PC.
Pompe peristaltiche Sono presenti 4 pompe peristaltiche per ogni reattore con
relativi contenitori. Esse si occupano dell’alimentazione, caricando le matrici e
scaricando il substrato in eccesso, e della compensazione del pH con acido/base,
il tutto controllato via PC. Il controllo del pH avviene per isteresi e l’attuazione
è di tipo PDM.
Contatore gas Uscito dall’ampolla di purificazione, il biogas viene convogliato ad
un contatore a tamburo (TG 05 with “Smart PG ”, Ritter) per la misurazione
diretta della quantità prodotta. Ognuno dei due contatori comunica al PC la
misura effettuata.
Analizzatore gas Dopo averne misurato la quantità, il gas viene campionato in
sacche per essere poi analizzato nelle sue componenti: CO2 e CH4 attraverso
spettroscopia infrarossa, O2 e H2 S con tecniche elettrochimiche. Viene utiliz-
zato un analizzatore con refrigeratore (AwiFLEX Cool+ & AwiECO, serie
9).
Sistema controllo Il sistema viene controllato attraverso PC con interfaccia uten-
te su software proprietario. Sono presenti diversi armadietti contenenti pannelli
di controllo, SPS e amplificatori del segnale di misura.
71
Il funzionamento è intuitivo e simile alla prova di BMP, solamente più avanzato

con controllo di pH e possibilità di alimentazione continua. Le analisi sulla produzio-
ne e composizione del biogas vengono effettuate online attraverso la strumentazione
sopra descritta. Le analisi delle concentrazioni degli acidi grassi volatili e dei solidi
totali sospesi vengono fatte manualmente e off-line nei nostri laboratori.
Allestimento della prova d’impianto

L’esperimento è stato avviato il giorno 15 Luglio 2015, il reattore è stato
inizialmente posto in condizioni di anaerobiosi, successivamente si sono inseriti
contemporaneamente inoculo, nutrienti, sostanza madre e una piccola parte di
alimentazione. Il reattore è stato riempito per un totale di 12L e il carico giornaliero
(ORL) è stato fatto variare nel range 1.90 − 3.17KgSV /m3 /d, come in Tabella C.1.
L’alimentazione programmata e i primi dati sono stati presi a partire dal giorno
successivo. L’alimentazione veniva effettuata manualmente una volta al giorno (la-
vorativo) in orari differenti, le quantità degli elementi delle matrici di alimentazione
erano definite secondo programma (Tabella C.1), e l’attività tracciata sui referti.
Scenario 1 Scenario 2 Scenario 3 a

Scenario 4 Scenario 5 b
16/07-21/10 22/10-27/10 10/11-30/11 01/12-14/12 15/12-22/12

OLR [ Kg VS
m3 d ] 1.42 1.7 1.7 2.01 2.45
Liquame [g/d] 150 97 110 110 134
Silomais [g/d] 54 55 52 61 75
Siero [g/d] 0 0 58 69 84
HRT [d] 58.8 28.8 58 50 41
Tabella C.1: Tabella andamento scenari di sperimentazione.

a
Nello scenario N°3 l’alimentazione differisce per i due reattori, in quanto al secondo reattore
(R2) è stato fatto seguire un profilo di rampa con incrementi del 10%/giorno.
b
Nello scenario N°5 il mixer del reattore R2 si è rotto ed è stata bloccata l’alimentazione. I dati
ottenuti in questo periodo per il reattore R2 non sono attendibili.
I dati di produzione e composizione del biogas sono stati ricavati dalle tabelle di
monitoraggio dell’impianto, mentre i dati delle analisi manuali sono stati riportati sul
diario di sperimentazione. Una prima analisi e sintesi è stata effettuata dal personale
del dipartimento mediante foglio di calcolo (Excel). Non conoscendo precisamente
le condizioni iniziali, la prima settimana di prova è stata sempre riportata, ma mai
utilizzata ai fini dell’identificazione, lo stesso vale i dati dell’ultimo scenario del
reattore R2.
Appendice D
Codice MATLAB per

l’identificazione di BMP
Vengono qui riportati i codici delle analisi sul BMP effettuate attraverso
MATLAB, nei 4 passaggi elencati al Capitolo 3.0.1.
Per prima cosa risulta necessario importare in MATLAB i dati del-

le analisi provenienti da una cartella di Excel attraverso il comando
xlsread(’cartella’,’scheda’,’celle’). Viene poi effettuata una semplice media
e la stampa dei dati ottenuti (Figura 3.1).
Codice D.1: Lettura dei dati delle analisi di BMP da Excel

1 % % READING VALUES FROM EXCEL
2 disp ( ’ Experimental Data loading ’) ;
3 dati . time = xlsread ( ’ BMP_mod ’ , ’ MATLAB ’ , ’ A5 : A65 ’) ;
4 dati . maisA = xlsread ( ’ BMP_mod ’ , ’ MATLAB ’ , ’ C5 : C65 ’) ;
5 dati . maisB = xlsread ( ’ BMP_mod ’ , ’ MATLAB ’ , ’ D5 : D65 ’) ;
6 dati . liquameA = xlsread ( ’ BMP_mod ’ , ’ MATLAB ’ , ’ E5 : E65 ’) ;
7 dati . liquameB = xlsread ( ’ BMP_mod ’ , ’ MATLAB ’ , ’ F5 : F65 ’) ;
8 dati . sieroA = xlsread ( ’ BMP_mod ’ , ’ MATLAB ’ , ’ G5 : G65 ’) ;
9 dati . sieroB = xlsread ( ’ BMP_mod ’ , ’ MATLAB ’ , ’ H5 : H65 ’) ;
10 dati . mais = ( dati . maisA + dati . maisB ) /2;
11 dati . liquame = ( dati . liquameA + dati . liquameB ) /2;
12 dati . siero = ( dati . sieroA + dati . sieroB ) /2;
13
14 % % FIGURE PLOT
15 figure ; plot ( dati . time , dati . maisA , dati . time , dati . maisB , dati . time , dati . mais ) ;
legend ( ’ show ’ , ’ MaisA ’ , ’ MaisB ’ , ’ Mais ’) ; title ( ’ BMP_ { Mais } ’) ; xlabel ( ’ Tempo
( giorni ) ’) ; ylabel ( ’ Produzione specifica di metano ( NmL_ { CH_4 }/ g_ { SV }) ’) ;
16 figure ;
plot ( dati . time , dati . liquameA , dati . time , dati . liquameB , dati . time , dati . liquame ) ;
legend ( ’ show ’ , ’ LiquameA ’ , ’ LiquameB ’ , ’ Liquame ’) ; title ( ’ BMP_ { Liquame } ’) ;
xlabel ( ’ Tempo ( giorni ) ’) ; ylabel ( ’ Produzione specifica di metano
( NmL_ { CH_4 }/ g_ { SV }) ’) ;
17 figure ; plot ( dati . time , dati . sieroA , dati . time , dati . sieroB , dati . time , dati . siero ) ;
legend ( ’ show ’ , ’ SieroA ’ , ’ SieroB ’ , ’ Siero ’) ; title ( ’ BMP_ { Siero } ’) ; xlabel ( ’ Tempo
( giorni ) ’) ; ylabel ( ’ Produzione specifica di metano ( NmL_ { CH_4 }/ g_ { SV }) ’) ;
Viene quindi analizzata la produzione di metano attraverso una cinetica

di primo ordine come descritto dall’Equazione 3.1. Dove BM P (t) è la pro-
duzione cumulata di metano in N mLCH4 /gSV , BM Pinf la resa finale e Kh la
costante cinetica in d−1 . L’identificazione viene effettuata attraverso l’algoritmo
fmincon(f, x0, A, b, [ ], [ ], LB, UB) che risolve il problema di programmazione
73
74 Appendice D. Codice MATLAB per l’identificazione di BMP
non lineare dove f è funzione da minimizzare, x0 i parametri iniziali, A e

b le matrici per il vincolo Ax ≤ b (messe entrambe a zero in quanto il vin-
colo non viene utilizzato), LB e UB il lower e upper-bound rispettivamente.
La funzione è stata resa attraverso uno script/Simulink che simula il sistema
parametrico da identificare. La procedura è stata applicata prima all’insilato di mais
Codice D.2: Identificazione esponenziale insilato di mais (primo ordine)

1 % % I D EN TI F IC AZ I ON E ESPONENZIALE (1 POLO ) MAIS
2 start_mais =6;
3 gSV_mais =1;
4 opt_mais =5;
5 P ar am _ op t 0_ ma i s =[300 ,0.1];
6
7 in_mais . time = dati . time ;
8 in_mais . signals . values =[ zeros ( start_mais ,1) ;
gSV_mais * ones ( length ( dati . time ) - start_mais ,1) ];
9 in_mais . signals . dimensions =1;
10
11 BMP_mais . time = dati . time ;
12 BMP_mais . signals . values = dati . mais ;
13 BMP_mais . signals . dimensions =1;
14
15 time_end = dati . time ( end ) ;
16
17 BMPf_mais =100;
18 km =0.1;
19
20 Para m_opt_ mais =[ BMPf_mais , km ];
21 LB =[0 ,0];
22 UB =[10000 ,1000];
23 A = zeros (2 ,2) ;
24 B = zeros (2 ,1) ;
25 f = @ ( Par am_opt _mais ) id_m ( Param_opt_mais , dati . mais , opt_mais ) ;
26 [ x1 (1 ,:) , fval1 (1) ]= fmincon (f , Param_opt0_mais ,A ,B ,[] ,[] , LB , UB ) ;
27 MSE = fval1 (1)
28
29 BMP_finale = x1 (1 ,1)
30 k = x1 (1 ,2)
31 out = BMP_finale *(1 - exp ( - k *[ zeros ( start_mais ,1) ; dati . time (1:( end - start_mais ) ) ]) ) ;
32 figure ; plot ( dati . time , dati . mais , dati . time , out ) ;
legend ( ’ show ’ , ’ Dati ’ , ’ Identificato ’) ; title ( ’ BMP_ { Mais } 1 polo ’) ;
( NmL_ { CH_4 }/ g_ { SV }) ’) ;
Poi, similmente, al liquame
Codice D.3: Identificazione esponenziale liquame (primo ordine)

1 % % I D EN TI F IC AZ I ON E ESPONENZIALE (1 POLO ) LIQUAME
2 start_liq =1;
3 gSV_liq =1;
4 opt_liq =3;
5 Para m_opt0 _liq =[150 ,0.1];
6
7 in_liq . time = dati . time ;
8 in_liq . signals . values =[ zeros ( start_liq ,1) ;
gSV_liq * ones ( length ( dati . time ) - start_liq ,1) ];
9 in_liq . signals . dimensions =1;
10
11 BMP_liq . time = dati . time ;
12 BMP_liq . signals . values = dati . liquame ;
13 BMP_liq . signals . dimensions =1;
14
16
75
17 BMPf_liq =100;
18 kl =0.1;
19
20 Param_opt_liq =[ BMPf_liq , kl ];
21 LB =[0 ,0];
22 UB =[10000 ,1000];
23 A = zeros (2 ,2) ;
24 B = zeros (2 ,1) ;
25 f = @ ( Param_opt_liq ) id_l ( Param_opt_liq , dati . liquame , opt_liq ) ;
26 [ x1 (2 ,:) , fval1 (2) ]= fmincon (f , Param_opt0_liq ,A ,B ,[] ,[] , LB , UB ) ;
27 MSE = fval1 (2)
28
30 k = x1 (2 ,2)
31 figure ; plot ( dati . time , dati . liquame , dati . time , out_liq ) ;
legend ( ’ show ’ , ’ Dati ’ , ’ Identificato ’) ; title ( ’ BMP_ { Liquame } 1 polo ’) ;
( NmL_ { CH_4 }/ g_ { SV }) ’) ;
I risultati sono visibili in Figura 3.2 e Tabella 3.1.
Si vuole ora provare ad analizzare la produzione di metano dell’insilato di

mais attraverso una cinetica descritta dall’Equazione 3.2. La procedura è co-
me la precedente, cambiano solamente il vettore dei parametri e la funzione da
minimizzare.
Codice D.4: Identificazione esponenziale insilato di mais (secondo ordine)

1 % % I D EN TI F IC AZ I ON E ESPONENZIALE (2 POLI ) MAIS
2 start_mais =6;
3 gSV_mais =1;
4 opt_mais =3;
5 P ar am _ op t0 _ ma i s =[230 ,0.23 ,0.08];
6
7 in_mais . time = dati . time ;
8 in_mais . signals . values =[ zeros ( start_mais ,1) ;
gSV_mais * ones ( length ( dati . time ) - start_mais ,1) ];
9 in_mais . signals . dimensions =1;
10
11 BMP_mais . time = dati . time ;
12 BMP_mais . signals . values = dati . mais ;
13 BMP_mais . signals . dimensions =1;
14
16
17 BMPf_mais =100;
18 km1 =0.1;
19 km2 =0.1;
20
21 Par am_opt _mais =[ BMPf_mais , km1 , km2 ];
22 LB =[0 ,0 ,0];
23 UB =[10000 ,100 ,100];
24 A = zeros (3 ,3) ;
25 B = zeros (3 ,1) ;
26 f = @ ( Par am_opt _mais ) id_m2 ( Param_opt_mais , dati . mais , opt_mais ) ;
27 [ x2 (1 ,:) , fval2 (1) ]= fmincon (f , Param_opt0_mais ,A ,B ,[] ,[] , LB , UB ) ;
28 MSE = fval2 (1)
29
31 k1 = x2 (1 ,2)
32 k2 = x2 (1 ,3)
33 figure ; plot ( dati . time , dati . mais , dati . time , out_mais2 ) ;
legend ( ’ show ’ , ’ Dati ’ , ’ Identificato ’) ; title ( ’ BMP_ { Mais } 2 poli ’) ;
( NmL_ { CH_4 }/ g_ { SV }) ’) ;
76 Appendice D. Codice MATLAB per l’identificazione di BMP
Similarmente al mais, viene riportata qui l’identificazione per il liquame.
Codice D.5: Identificazione esponenziale liquame (secondo ordine)

1 % % I D EN TI F IC AZ I ON E ESPONENZIALE (2 POLI ) LIQUAME
2 start_liq =1;
3 gSV_liq =1;
4 opt_liq =2;
5 Para m_opt0 _liq =[120 ,0.08 ,2000];
6
7 in_liq . time = dati . time ;
8 in_liq . signals . values =[ zeros ( start_liq ,1) ;
gSV_liq * ones ( length ( dati . time ) - start_liq ,1) ];
9 in_liq . signals . dimensions =1;
10
11 BMP_liq . time = dati . time ;
12 BMP_liq . signals . values = dati . liquame ;
13 BMP_liq . signals . dimensions =1;
14
16
17 BMPf_liq =100;
18 kl1 =0.1;
19 kl2 =0.1;
20
21 Param_opt_liq =[ BMPf_liq , kl ];
22 LB =[0 ,0 ,0];
23 UB =[10000 ,1000 ,10000];
24 A = zeros (3 ,3) ;
25 B = zeros (3 ,1) ;
26 f = @ ( Param_opt_liq ) id_l2 ( Param_opt_liq , dati . liquame , opt_liq ) ;
27 [ x2 (2 ,:) , fval2 (2) ]= fmincon (f , Param_opt0_liq ,A ,B ,[] ,[] , LB , UB ) ;
28 MSE = fval2 (2)
29
31 k1 = x2 (2 ,2)
32 k2 = x2 (2 ,3)
33 figure ; plot ( dati . time , dati . liquame , dati . time , out_liq2 ) ;
legend ( ’ show ’ , ’ Dati ’ , ’ Identificato ’) ; title ( ’ BMP_ { Liquame } 2 poli ’) ;
( NmL_ { CH_4 }/ g_ { SV }) ’) ;
I risultati sono visibili in Figura 3.3 e Tabella 3.2.

Appendice E
Trasformazione Lineare Frazionaria
Viene qui approfondito il metodo di trasformazione lineare frazionaria (Linear

Fractional Transformation - LFT ) a completezza di quanto trattato nel Capitolo 3.
La successiva trattazione è basata sugli articoli di Casella e Lovera, 2008; Della
Bona et al., 2015a; Hecker et al., 2005; Hsu, Vincent e Poolla, 2008; Hsu, Vincent,
Wolodkin et al., 2008.
E.1 Modello LFT (Sistema, Vettori, Matrici)

Vengono qui riportati i vettori e le matrici per ottenere la formula finale LFT
del modello di DA riportato nella Sezione 3.0.2.
       
w1 δ 1 z1 δ1 x1 x1
w2  δ2 z2   δ2 x2   x2 
       
w3  δ3 z3   δ3 w1   w1 
       
w=
w4  = δ4 z4  =  δ4 w2 
     −→ z=
 w2 
 (E.1)
w5  δ5 z5   δ5 x4   x4 
       
w6  δ6 z6   δ6 x5   x5 
w7 δ 7 z7 δ7 K4 ζ9 K4 ζ9
 
    u1
ζ1
 
u1 (u2 − x1 ) ω1 (ω2 − ω5 ) u 
 2
ζ2   u 1 (u3 − x 2 )   ω1 (ω 3 − ω6 )  u 
 3
     
ζ3    u1 x3 


 ω1 ω7 

u 
 4
ω1 ω8
  
ζ4  
   u 1 x4
 
 

  x1 
 
ζ=ζ = u x
1 5

=
 ω 1 ω 9

= Θ(ω) −→ ω = x2 (E.2)
 
 5 
   
ζ6   u1 (u4 − x6 )  
  
   ω (ω
1 4 − ω 10 ) 
  x3 
 
ζ7   u 1 x7
 
  ω1 ω 11

  x4 
 
ω
   x
ζ8   6
x
x6 +KS1 4 
 
 µ 10
1max ω10 +KS1 8 ω 

 
 x5 
x7 ω11
µ2max ω +K +ω2 /K ω9
 
ζ9 x7 +KS2 +w3 x5 11 S2 I
 x6 
11
x7
Si ottiene così il sistema
77
78 Appendice E. Trasformazione Lineare Frazionaria
1
ẋ1 = ζ 1 − w1 (E.3a)
V
1
ẋ2 = ζ 2 − w2 (E.3b)
V
1
ẋ3 = − ζ3 + w1 − ρ1 w3 + w2 − ρ2 w4 (E.3c)
V
1
ẋ4 = − ζ 4 + ζ 8 − w5 (E.3d)
V
1
ẋ5 = − ζ 5 + ζ 9 − w6 (E.3e)
V
1
ẋ6 = − ζ6 + ρ3 w3 + ρ3 w4 − K1 ζ8 (E.3f)
V
1
ẋ7 = − ζ7 + K2 ζ8 − K3 ζ9 (E.3g)
V
y1 = x7 (E.3h)
y2 = w7 (E.3i)
y3 = x1 + x2 + x3 + x4 + x5 (E.3j)
Che, paragonato al sistema di Equazioni 3.13a–3.13f, ci fornisce le matrici A,

Bi , Ci e Dij .
E.2 Algoritmo LFT: normalizzazione e codici

MATLAB
Per la normalizzazione dei parametri e la costruzione della struttura LFT,
elemento fondamentale per il funzionamento delle funzioni MATLAB definite al
Paragrafo 3.0.2, è stato costruito uno script apposito.
Nella prima parte vengono definiti i parametri (nome, posizioni nella matrice ∆,
limiti, il flag per decidere se identificare il parametro) e le dimensioni dei vettori x,
y, u e ω. Viene poi definita la funzione Θ(ω) in modo simbolico e le matrici LTI
del sistema LFT.
Codice E.1: Script per la costruzione del modello AMOCO modificato normalizzato
1 function [ lftfun ] = m A M O C O _ l f t _ A 7 D S D (p ,b , delta )
2
3 if size ( p ) ~=[18 1]
4 disp ( ’ parameter error ’) ; exit ;
5 else
6 kh1 = p (1) ; kh2 = p (2) ; knd1 = p (3) ; knd2 = p (4) ; mu1m = p (5) ; mu2m = p (6) ; kd1 = p (7) ;
7 kd2 = p (8) ; ks1 = p (9) ; ks2 = p (10) ; ki = p (11) ; k01 = p (12) ; k02 = p (13) ; k1 = p (14) ;
8 k2 = p (15) ; k3 = p (16) ; k4 = p (17) ; v = p (18) ;
9 if size ( b ) ~=[7 2]
10 disp ( ’ bound error ’) ; exit ;
11 else
12 lb1 = b (1 ,1) ; ub1 = b (1 ,2) ;
13 lb2 = b (2 ,1) ; ub2 = b (2 ,2) ;
14 lb3 = b (3 ,1) ; ub3 = b (3 ,2) ;
15 lb4 = b (4 ,1) ; ub4 = b (4 ,2) ;
16 lb5 = b (5 ,1) ; ub5 = b (5 ,2) ;
17 lb6 = b (6 ,1) ; ub6 = b (6 ,2) ;
18 lb7 = b (7 ,1) ; ub7 = b (7 ,2) ;
19 end
E.2. Algoritmo LFT: normalizzazione e codici MATLAB 79
20 u_count = 4;
21 x_count = 7;
22 y_count = 3;
23 om_count = 11;
24
25 % delta
26 DeltaSym = {
27 ’ parName ’ , ’ indStartDiag ’ , ’ indStopDiag ’ , ’ LowerBound ’ , ’ HigherBound ’ , ’ toId ’ , ’ lb ’ , ’ ub ’;
28 ’ kh1 ’ 1 1 lb1 ub1 0 -1 +1;
29 ’ kh2 ’ 2 2 lb2 ub2 0 -1 +1;
30 ’ BMP1 ’ 3 4 lb3 ub3 0 -1 +1;
31 ’ BMP2 ’ 5 6 lb4 ub4 0 -1 +1;
32 ’ Kd1 ’ 7 7 lb5 ub5 0 -1 +1;
33 ’ Kd2 ’ 8 8 lb6 ub6 0 -1 +1;
34 ’ Kla ’ 9 9 lb7 ub7 0 -1 +1;
35 };
36 delta_count = cell2mat ( DeltaSym ( end ,3) ) ;
37
38 % theta
39 om = sym ( ’ om ’ , om_count ) ;
40 theta_sym = [
41 om (1) *( om (2) - om (5) ) ;
42 om (1) *( om (3) - om (6) ) ;
43 om (1) * om (7) ;
44 om (1) * om (8) ;
45 om (1) * om (9) ;
46 om (1) *( om (4) - om (10) ) ;
47 om (1) * om (11) ;
48 mu1m * om (10) * om (8) /( om (10) + ks1 ) ;
49 mu2m * om (11) * om (9) /( om (11) + ks2 + om (11) ^2/ ki )
50 ];
51 theta_count = size ( theta_sym ,1) ;
52
53 % matrici del sistema LFT ( parte LTI )
54 LTI = struct (...
55 ’A ’ , zeros ( x_count , x_count ) ,...
56 ’ B1 ’ , zeros ( x_count , delta_count ) ,...
57 ’ B2 ’ , zeros ( x_count , theta_count ) ,...
58 ’ B3 ’ , zeros ( x_count , u_count ) ,...
59 ’ C1 ’ , zeros ( delta_count , x_count ) ,...
60 ’ D11 ’ , zeros ( delta_count , delta_count ) ,...
61 ’ D12 ’ , zeros ( delta_count , theta_count ) ,...
62 ’ D13 ’ , zeros ( delta_count , u_count ) ,...
63 ’ C2 ’ , zeros ( om_count , x_count ) ,...
64 ’ D21 ’ , zeros ( om_count , delta_count ) ,...
65 ’ D22 ’ , zeros ( om_count , theta_count ) ,...
66 ’ D23 ’ , zeros ( om_count , u_count ) ,...
67 ’ C3 ’ , zeros ( y_count , x_count ) ,...
68 ’ D31 ’ , zeros ( y_count , delta_count ) ,...
69 ’ D32 ’ , zeros ( y_count , theta_count ) ,...
70 ’ D33 ’ , zeros ( y_count , u_count ) ) ;
71
72 LTI . B1 (1 ,1) = -1;
73 LTI . B1 (2 ,2) = -1;
74 LTI . B1 (3 ,1) =1;
75 LTI . B1 (3 ,3) = -1;
76 LTI . B1 (3 ,2) =1;
77 LTI . B1 (3 ,5) = -1;
78 LTI . B1 (4 ,7) = -1;
79 LTI . B1 (5 ,8) = -1;
80 LTI . B1 (6 ,4) =1;
81 LTI . B1 (6 ,6) =1;
82 LTI . B2 (1 ,1) =1/ v ;
83 LTI . B2 (2 ,2) =1/ v ;
84 LTI . B2 (3 ,3) = -1/ v ;
85 LTI . B2 (4 ,4) = -1/ v ;
86 LTI . B2 (5 ,5) = -1/ v ;
87 LTI . B2 (6 ,6) =1/ v ;
88 LTI . B2 (7 ,7) = -1/ v ;
89 LTI . B2 (4 ,8) =1;
90 LTI . B2 (5 ,9) =1;
91 LTI . B2 (6 ,8) = - k1 ;
92 LTI . B2 (7 ,8) = k2 ;
93 LTI . B2 (7 ,9) = - k3 ;
94 LTI . C1 (1 ,1) =1;
95 LTI . C1 (2 ,2) =1;
96 LTI . C1 (7 ,4) =1;
97 LTI . C1 (8 ,5) =1;
98 LTI . D11 (3 ,1) =2.86 e -3*0.773;
99 LTI . D11 (5 ,2) =2.86 e -3*0.718;
100 LTI . D11 (4 ,1) =15.625* k1 * k3 / k2 / k4 *2.86 e -6;
101 LTI . D11 (6 ,2) =15.625* k1 * k3 / k2 / k4 *2.86 e -6;
102 LTI . D12 (9 ,9) = k4 ;
103 LTI . C2 (5:11 ,1:7) = eye (7) ;
104 LTI . D23 (1:4 ,1:4) = eye (4) ;
105 LTI . C3 (1 ,7) =1;
106 LTI . C3 (3 ,1:5) = ones (1 ,5) ;
107 LTI . D31 (2 ,9) =1;
108
109 lftfun = struct ( ’ LTI ’ , LTI , ’ DeltaSym ’ , { DeltaSym } ,...
110 ’ DeltaVal ’ , zeros ( delta_count , delta_count ) ) ;
111
112 % Dati addizionali
113 lftfun . theta_sym = theta_sym ;
114 lftfun . u_count = u_count ;
115 lftfun . x_count = x_count ;
116 lftfun . y_count = y_count ;
117 lftfun . om_count = om_count ;
118 lftfun . theta_count = theta_count ;
119 lftfun . delta_count = delta_count ;
120 % N or ma l iz z az io n e e generazione struttura completa
121 lftfun = lft_finalize ( lftfun ) ;
122 lftfun . DeltaVal = lft_normdelta ( lftfun , delta ) ;
123 end
Per ultimo vine creato il modello definitivo normalizzato. Qui sono presenti due
funzioni: la prima crea un modello LFT con matrici LTI normalizzate, la seconda
genera un delta normalizzato a partire da un delta full-scale. Mentre quest’ultima si
basa essenzialmente sull’Equazione 3.19, l’altra modifica le matrici LTI nel seguente
modo.
Per prima cosa definiamo il vettore w come:

δimax + δimin δi − δimin ¯
w = diag(δ)z = diag + max δi , . . . z=
2 2
= Ez + diag(δ̄)Fz (E.4)
Dove

δimax + δimin
E = diag ,... (E.5a)
2

δimax − δimin
F = diag ,... (E.5b)
2
Si definiscono poi le nuove variabili w̃ e z̃ come
w̃ = diag(δ̄)Fz = diag(δ̄)z̃ (E.6a)

z̃ = Fz (E.6b)
Unendo poi le Equazioni E.4 e E.6 alla forma generica di un modello LFT (3.13),
ẋ = Ax + B1 Ez + B1 w̃ + B2 ζ + B3 u (E.7a)
z = C1 x + D11 Ez + D11 w̃ + D12 ζ + D13 u (E.7b)
ω = C2 x + D21 Ez + D21 w̃ + D22 ζ + D23 u (E.7c)
y = C3 x + D31 Ez + D31 w̃ + D32 ζ + D33 u (E.7d)
risolvendo la seconda Equazione (E.7b) rispetto z
z = G[C1 x + D11 w̃ + D12 ζ + D13 u] (E.8a)

−1
G = (I − D11 E) (E.8b)
sostituendo e unendo le Equazioni E.8, E.7 e E.6b, si ottiene la forma LFT

finale (E.9).
    
ẋ A + B1 EGC1 B1 + B1 EGD11 B2 + B1 EGD12 B3 + B1 EGD13 x
 z̃   FGC 1 FGD 11 FGD 12 FGD 13
 w̃ 
 =  
ω  C2 + D21 EGC1 D21 + D21 EGD11 D22 + D21 EGD12 D23 + D21 EGD13   ζ 
y C3 + D31 EGC1 D31 + D31 EGD11 D32 + D31 EGD12 D33 + D31 EGD13 u
(E.9)
Viene qui riportato un estratto dei codici delle funzioni MATLAB. La seconda
parte del Codice E.3 crea la matrice di sparsità con l’algoritmo (per concisione non
riportato) già presente in altre funzioni del Toolbox di Della Bona et al., 2015a.
Codice E.2: Script per la costruzione della matrice delta normalizzata del modello AMOCO
modificato.
1 function [ delta ] = lft_normdelta ( lftfun , fullvalues )
2 % genera un delta normalizzato a partire da un delta full - scale
3
4 dim = size ( lftfun . DeltaSym ) ;
5 delta = zeros ( cell2mat ( lftfun . DeltaSym ( end ,3) ) ,1) ;
6 jmax = dim (1 ,1) -1;
7 for j = 1 : jmax
8 imin = cell2mat ( lftfun . DeltaSym (1+ j ,2) ) ;
9 imax = cell2mat ( lftfun . DeltaSym (1+ j ,3) ) ;
10 for i = imin : imax
11 max = cell2mat ( lftfun . DeltaSym ( j +1 ,5) ) ;
12 min = cell2mat ( lftfun . DeltaSym ( j +1 ,4) ) ;
13 delta (i ,1) = ( fullvalues (j ,1) - ( max + min ) /2) /(( max - min ) /2) ;
14 end
15 end
16 delta = diag ( delta ) ;
17 end
Codice E.3: Estratto del codice per la costruzione della struttura del modello AMOCO modificato
normalizzato, basato sul Toolbox LFT di Della Bona et al., 2015a.
1 function [ lftfun ] = lft_finalize ( lftfun )
2 % % create theta and dtheta from symbolic formulas
3 % theta
4 text = ’@ ( om ) [ ’;
5 for i = 1 : length ( lftfun . theta_sym )
6 f = char ( lftfun . theta_sym ( i ) ) ;
7 for n = 1 : lftfun . om_count
8 f = strrep (f , [ ’ om ’ num2str ( n ) ’ _1 ’ ] , [ ’ om ( ’ num2str ( n ) ’) ’ ]) ;
9 end
10 text = [ text f ’; ’ ];
11 end
12 lftfun . Theta = eval ([ text ’] ’ ]) ;
13
14 % dtheta
15 text = ’@ ( om ) [ ’;
16 for i = 1 : length ( lftfun . theta_sym )
17 for j = 1 : lftfun . om_count
18 f = char ( diff ( lftfun . theta_sym ( i ) , [ ’ om ’ num2str ( j ) ’ _1 ’ ]) ) ;
19 for n = 1 : lftfun . om_count
20 f = strrep (f , [ ’ om ’ num2str ( n ) ’ _1 ’ ] , [ ’ om ( ’ num2str ( n ) ’) ’ ]) ;
21 end
22 text = [ text f ];
23 if j ~= lftfun . om_count
24 text = [ text ’ , ’ ];
25 end
26 end
27 text = [ text ’; ’ ];
28 end
29 lftfun . dThetadOmega = eval ([ text ’] ’ ]) ;
30
31 % % normalize deltas
32 E = [];
33 F = [];
34 dim = size ( lftfun . DeltaSym ) ;
35 jmax = dim (1 ,1) -1;
36 for j = 1 : jmax
37 imin = cell2mat ( lftfun . DeltaSym (1+ j ,2) ) ;
38 imax = cell2mat ( lftfun . DeltaSym (1+ j ,3) ) ;
39 for i = imin : imax
40 dmin = cell2mat ( lftfun . DeltaSym (1+ j ,4) ) ;
41 dmax = cell2mat ( lftfun . DeltaSym (1+ j ,5) ) ;
42 E = [ E ( dmin + dmax ) /2];
43 F = [ F ( dmax - dmin ) /2];
44 end
45 end
46
47 E = diag ( E ) ;
48 F = diag ( F ) ;
49
50 A = lftfun . LTI . A ;
51 B1 = lftfun . LTI . B1 ;
54 C1 = lftfun . LTI . C1 ;
57 D11 = lftfun . LTI . D11 ;
58 D12 = lftfun . LTI . D12 ;
59 D13 = lftfun . LTI . D13 ;
60 D21 = lftfun . LTI . D21 ;
61 D22 = lftfun . LTI . D22 ;
62 D23 = lftfun . LTI . D23 ;
63 D31 = lftfun . LTI . D31 ;
64 D32 = lftfun . LTI . D32 ;
65 D33 = lftfun . LTI . D33 ;
66
67 G = inv ( eye ( size ( E ) ) - D11 * E ) ;
68
69 lftfun . LTI . A = A + B1 * E * G * C1 ;
70 lftfun . LTI . B1 = B1 + B1 * E * G * D11 ;
73 lftfun . LTI . C1 = F * G * C1 ;
74 lftfun . LTI . C2 = C2 + D21 * E * G * C1 ;
75 lftfun . LTI . C3 = C3 + D31 * E * G * C1 ;
76 lftfun . LTI . D11 = F * G * D11 ;
77 lftfun . LTI . D12 = F * G * D12 ;
78 lftfun . LTI . D13 = F * G * D13 ;
79 lftfun . LTI . D21 = D21 + D21 * E * G * D11 ;
85 ...
Appendice F
Metodi di Taratura Automatica

(PID)
Vengono qui brevemente riportate alcune delle regole di taratura automatica

più conosciute. Esse si dividono in due categorie: anello chiuso e anello aperto, a
seconda della configurazione del sistema di controllo utilizzato per la prova.
Il metodo più conosciuto e sicuramente più utilizzato in anello chiuso è quello
di Ziegler e Nichols (ZN). Questo metodo richiede di attivare preliminarmente
solo l’azione proporzionale, innalzando il coefficiente Kp fino al limite di stabilità,
ossia fino a quando a fronte di variazioni a scalino del segnale di riferimento non
si ottengono oscillazioni permanenti di periodo T̄ (Figura F.1). Il valore di K̄p
ottenuto viene definito guadagno critico. I parametri del regolatore P, PI o PID
vengono determinati sulla base della Tabella F.1.
KP TI TD
P 0.5K̄P
PI 0.45K̄P 0.8T̄
PID 0.6K̄P 0.5T̄ 0.125T̄
Figura F.1: Andamento di w e y durante Tabella F.1: Regole di taratura di ZN in

la fase di taratura col metodo anello chiuso.
ZN in anello chiuso.
I metodi ad anello aperto, invece, si basano su un modello approssimato del

sistema da controllare descritto dalla funzione di riferimento
µ
Ga (s) = e−τ s (F.1)
1 + Ts
Dove µ è il guadagno, T e τ sono rispettivamente definite costante di
tempo e ritardo equivalenti. Per ricavare questi valori vengono comunemente
utilizzate due tecniche identificative definite metodo della tangente e metodo
delle aree, entrambi basati sulla risposta allo scalino. Il metodo della tangente
85
86 Appendice F. Metodi di Taratura Automatica (PID)
ci fornisce i valori di µ = uy∞ −y0

∞ −u0
, T e τ come da Figura F.2. Il metodo delle
aree ci fornisce i valori di µ = u∞ −u0 , T = y∞eS−y
y∞ −y0 2
0
e τ = y∞S−y
1
0
−T come da Figura F.3.
Figura F.2: Determinazione dei parametri Figura F.3: Determinazione dei parametri
del modello F.1 a partire dalla del modello F.1 a partire dalla
risposta allo scalino sperimen- risposta allo scalino sperimen-
tale attraverso il metodo della tale attraverso il metodo delle
tangente. aree.
Tra i principale metodi ad anello aperto troviamo:
Metodo ZN in anello aperto A partire dal modello (Equazione F.1) il regolato-

re viene progettato sulla base della Tabella F.2. Esso garantisce una risposta
pronta e una buona reiezione ai disturbi.
KP TI TD
T
P µτ
0.99T
PI µτ 3τ
1.2T
PID µτ 2τ 0.5τ
Tabella F.2: Regole di taratura di ZN in anello aperto.
Metodo di Cohen e Coon A partire dal modello (Equazione F.1) il regolatore

viene progettato sulla base della Tabella F.3. Esso garantisce uno smorzamento
pari a 0.25 tra due picchi successivi della risposta a un disturbo a scalino
sulla variabile di controllo.
KP TI TD
3T +τ
P 3µτ
10.8T +τ 30T +3τ
PI 12µτ τ 9T +20τ
16T +3τ
PID 12µτ τ 32T12τ+6τ 4T τ
11T +2τ
Tabella F.3: Regole di taratura di Cohen e Coon.

87
Internal Model Control (IMC) A partire dal modello (Equazione F.1) il rego-
latore viene progettato sulla base della Tabella F.4. Esso permette di stabilire
la banda passante del sistema in anello chiuso attraverso il parametro di
progetto positivo Tf , con conseguente aumento o diminuzione del margine di
fase e del guadagno.
KP TI TD
T
PI µ(τ +Tf ) T
T +0.5τ 0.5T τ
PID µ(τ +Tf ) T + 0.5τ (0.5τ +T )
Tabella F.4: Regole di taratura IMC.

Bibliografia
Riferimenti citati nel testo

Pubblicazioni e Manuali
Allegrini, Andrea
2011 Anaerobic Digestion modelling: a comparioson between ADM1 and
AMOCO. Master’s Thesis, Politecnico di Milano. (Citato alle p. 3, 17,
60-62.)
Angelidaki, Irini, Madalena Alves, David Bolzonella, Liliana Borzacconi, José
Campos, Alan Guwy, Sergey Kalyuzhnyi, Pavel Jenicek e Jules van
Lier
2009 «Defining the Biomethane Potential (BMP) of Solid Organic Wastes
and Energy Crops: A Proposed Protocol for Batch Assays», 59 (feb.
2009), p. 927-34. (Citato a p. 24.)
Batstone, D.J., J. Keller, I. Angelidaki, S.V. Kalyuzhnyi, S.G. Pavlostathis, A.
Rozzi, W.T.M. Sanders, H. Siegrist e V.A. Vavilin
2002 «The IWA Anaerobic Digestion Model No 1 (ADM1)», Water Science
and Technology, 45, 10, p. 65-73, issn: 0273-1223, http : / / wst .
iwaponline.com/content/45/10/65. (Citato alle p. 3, 13, 14, 23,
62.)
Bernard, Olivier, Zakaria Hadj-Sadok, Denis Dochain, Antoine Genovesi e Jean-
Philippe Steyer
2001 «Dynamical model development and parameter identification for an
anaerobic wastewater treatment process», Biotechnology and Bioengi-
neering, 75, 4, p. 424-438, issn: 1097-0290, http://dx.doi.org/10.
1002/bit.10036. (Citato alle p. 3, 17.)
Blumensaat, F. e J. Keller
2005 «Modelling of two-stage anaerobic digestion using the IWA Anaerobic
Digestion Model No. 1 (ADM1)», Water Research, 39, 1, p. 171-
183, issn: 0043-1354, http://www.sciencedirect.com/science/
article/pii/S0043135404004403. (Citato alle p. 13, 14.)
89
90 Bibliografia
Boe, Kanokwan, Damien John Batstone e Irini Angelidaki

2007 «An innovative online VFA monitoring system for the anerobic pro-
cess, based on headspace gas chromatography», Biotechnology and
Bioengineering, 96, 4, p. 712-721, issn: 1097-0290, http://dx.doi.
org/10.1002/bit.21131. (Citato a p. 40.)
Bolzern, Paolo, Riccardo Scattolini e Nicola Schiavoni
2008 Fondamenti di Controlli Automatici, a cura di McGraw-Hill, Terza
Edizione, 601 p., isbn: 9788838664342. (Citato alle p. 41, 43.)
Bouvier, J.C., J.P. Steyer e J.P. Delgenes
2003 «On-line titrimetric sensor for the control of VFA and/or alkalinity
in anaerobic digestion processes treating industrial vinasses», Water
Science and Tecnology, 48, 6, a cura di IWA Publishing, p. 103-110.
(Citato a p. 40.)
Casella, F. e M. Lovera
2008 «LPV/LFT modelling and identification: overview, synergies and a
case study» (set. 2008), p. 852-857, issn: 2165-3011. (Citato alle p. 31,
77.)
CRPA e Centro Divulgazione Agricola
2005 Il Divulgatore n.12. Energia dal Biogas, Soluzioni possibili per l’azien-
da zootecnica, http://www.crpa.it/nqcontent.cfm?a_id=2327&
tt=crpa_www&aa=energiabiogas&sp=crpa. (Citato alle p. 1, 11.)
Della Bona, Alessandro, Gianni Ferretti, Elena Ficara e Francesca Malpei
2015a «LFT modelling and identification of anaerobic digestion», Control
Engineering Practice, 36, Supplement C, p. 1-11, issn: 0967-0661,
http://www.sciencedirect.com/science/article/pii/S096706
6114002706. (Citato alle p. 31, 32, 35, 60, 61, 77, 81, 82.)
2015b «Parameter identification of a reduced order LFT model of anaerobic
digestion», in Control-oriented Modelling and Identification: Theory
and Practice, a cura di M. Lovera, The Institution of Engineering
and Technology (IET), Stevenage, p. 301-327, http : / / digital -
library.theiet.org/content/books/10.1049/pbce080e_ch14.
(Citato alle p. 4, 14, 31.)
Dennis, J. e R. Schnabel
1996 Numerical Methods for Unconstrained Optimization and Nonlinear
Equations, Society for Industrial e Applied Mathematics, http://
epubs.siam.org/doi/abs/10.1137/1.9781611971200. (Citato a
p. 4.)
Donida, F., C. Romani, F. Casella e M. Lovera
2009 «Integrated modelling and parameter estimation: an LFT-Modelica
approach», in Proceedings of the 48h IEEE Conference on Decision
and Control (CDC) held jointly with 2009 28th Chinese Control
Conference, p. 8357-8362. (Citato a p. 4.)
Bibliografia 91
Galí, A, El-Hadj Benabdallah, Sergi Astals e Joan Mata-Álvarez

2009 «Modified version of ADM1 model for agro-waste application», 100
(giu. 2009), p. 2783-2790. (Citato a p. 14.)
Giupponi, Eleonora
2015 Post-trattamento del digestato per incrementare la resa di impianti
a biogas: valutazioni sperimentali e modellistiche, Master’s Thesis,
Politecnico Di Milano. (Citato alle p. 11, 23, 28, 29.)
Gracia, Monica, Luis Sancho, J.L. García-Heras, Peter Vanrolleghem e Eduardo
Ayesa
2006 «Massa and charge conservation check in dynamic models: Application
to the new ADM1 model», 53 (feb. 2006), p. 225-40. (Citato a p. 14.)
Graef, Stephen P. e John F. Andrews
1974 «Stability and Control of Anaerobic Digestion», Water Pollution
Control Federation, 46, 4, p. 666-683, issn: 00431303, http://www.
jstor.org/stable/25038181. (Citato a p. 3.)
Hecker, Simon, Andras Varga e Jean-François Magni
2005 «Enhanced LFR-toolbox for Matlab», Aerospace Science and Techno-
logy, 9, 2, p. 173-180, issn: 1270-9638, http://www.sciencedirect.
com/science/article/pii/S1270963804001397. (Citato a p. 77.)
Hsu, Kenneth, Tyrone L. Vincent e Kameshwar Poolla
2008 «Identification of Structured Nonlinear Systems», IEEE Transactions
on Automatic Control, 53, 11 (dic. 2008), p. 2497-2513, issn: 0018-9286.
(Citato a p. 77.)
Hsu, Kenneth, Tyrone L. Vincent, Greg Wolodkin, Sundeep Rangan e Kameshwar
Poolla
2008 «An LFT approach to parameter estimation», Automatica, 44, 12,
p. 3087-3092, issn: 0005-1098, http://www.sciencedirect.com/
science/article/pii/S0005109808002975. (Citato alle p. 31, 77.)
Huete, E., M. de Gracia, E. Ayesa e J.L. Garcia-Heras
2006 «ADM1-based methodology for the characterisation of the influent
sludge in anaerobic reactors», Water Science and Technology, 54, 4,
p. 157-166, issn: 0273-1223, http://wst.iwaponline.com/content/
54/4/157. (Citato a p. 14.)
Lara-Cisneros, Gerardo, Ricardo Aguilar-López, Denis Dochain e Ricardo Femat
2016 «On-line estimation of VFA concentration in anaerobic digestion
via methane outflow rate measurements», Computers & Chemical
Engineering, 94, p. 250-256, issn: 0098-1354, http://www.science
direct.com/science/article/pii/S0098135416302253. (Citato a
p. 40.)
92 Bibliografia
Lossie, Ulrich e Petra Pütz

2008 Targeted Control of biogas plants with the help of FOS/TAC. Practice
Report, Laboratory Analysis, Titration, FOS/TAC, Hach Lange GmbH.
(Citato alle p. 4, 5.)
Lotti, Tommaso, Elena Ficara e Francesca Malpei
2015 «Evaluating the effect of post-treated solid recirculation via BMP
tests and simplified AD model», in Proceeding of the AD14: 14th
World Congress on Anaerobic Digestion, http://hdl.handle.net/
11311/970572. (Citato a p. 20.)
Lübken, Manfred, Marc Wichern, Markus Schlattmann, Andreas Gronauer e Harald
Horn
2007 «Modelling the energy balance of an anaerobic digester fed with
cattle manure and renewable energy crops», 41 (nov. 2007), p. 4085-
96. (Citato a p. 14.)
Rosato, Mario Alejandro
2015 «Redimensioning the importance of the FOS/TAC test», Journal
of Environmental Management, a cura di Agronotizie e Bioprocess
Control Academy. (Citato a p. 4.)
2017 Managing Biological Plants: A Practical Guide, a cura di CRC Press,
p. 274. (Citato alle p. 4, 5.)
Rosen, Christian, Darko Vrecko, Krist Gernaey, M.N. Pons e Ulf Jeppsson
2006 «Implementing ADM1 for plant-wide benchmark simulations in
Matiab/Simulink», 54 (feb. 2006), p. 11-9. (Citato a p. 14.)
Sergio, Piccinini, Bonazzi Giuseppe, Fabbri Claudio, Sassi Daniela, Schiff Mag-
da, Soldano Mariangela, Verzellesi Fabio, CRPA, Berton Marino e
Associazione Italiana Energie Ambientali (AIEL)
2008 Energia dal Biogas. Prodotto da effluenti zootecnici, biomasse dedicate
e di scarto, p. 103, http://www.crpa.it/nqcontent.cfm?a_id=
3722&tt=crpa_www&sp=crpa. (Citato alle p. 1, 11.)
Steyer, P., J. C. Bouvier, T. Conte, P. Gras, J Harmand e J. P. Delgenes
2002 «On-line measurements of COD, TOC, VFA, total and partial alkali-
nity in anaerobic digestion processes using infra-red spectrometry.»
Water Science and Technology (ott. 2002), p. 133-8. (Citato a p. 40.)
Theil, Henri
1961 Economic forecasts and policy, English, 2nd Rev. Amsterdam : North-
Holland Pub. Co. (Citato a p. 38.)
Vandekerckhove, Andy, Wim Moerman e Stijn W.H. Van Hulle
2008 «Full-scale modelling of a food industry wastewater treatment plant
in view of process upgrade», Chemical Engineering Journal, 135,
3, p. 185-194, issn: 1385-8947, http://www.sciencedirect.com/
science/article/pii/S1385894707001283. (Citato a p. 38.)
Bibliografia 93
Zhou, Xianmin
1993 «A new method with high confidence for validation of computer
simulation models of flight systems», Journal of Systems Engineering
and Electronics, 4, 4 (dic. 1993), p. 43-52. (Citato a p. 38.)
Ulteriore materiale consultato

Pubblicazioni e Manuali
Civardi, Stefano
2015 Identificazione parametrica di modelli di digestione anaerobica,
Master’s Thesis, Politecnico di Milano.
Hauduc, H., M.B. Neumann, D. Muschalla, V. Gamerith, S. Gillot e P.A.
Vanrolleghem
2015 «Efficiency criteria for environmental model quality assessment: A re-
view and its application to wastewater treatment», Environmental
Modelling & Software, 68, Supplement C, p. 196-204, issn: 1364-
8152, http://www.sciencedirect.com/science/article/pii/
S1364815215000535.

2018 04 Negri Alessandro

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

2018 04 Negri Alessandro

Caricato da

Copyright:

Formati disponibili

Politecnico di Milano

SCUOLA DI INGEGNERIA INDUSTRIALE E DELL’INFORMAZIONE (3I)

Tesi di Laurea Magistrale

Modellizzazione e Controllo di un Reattore a Biogas

Anno Accademico 2017–2018

Milano, Aprile 2018 A. N.

1 Digestione anaerobica: il processo e l’impianto 7

2 Modellistica dei processi di digestione anaerobica 13

C Analisi e strumentazione di laboratorio 67

D Codice MATLAB per l’identificazione di BMP 73

E Trasformazione Lineare Frazionaria 77

F Metodi di Taratura Automatica (PID) 85

1 Schema di impianto di biogas . . . . . . . . . . . . . . . . . . . . . 1

1.1 Schema delle fasi della digestione anaerobica . . . . . . . . . . . . . 8

3.1 Produzione gas metano, BMP . . . . . . . . . . . . . . . . . . . . . 25

4.1 Controllore PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

A.1 Matrice di Petersen ADM1 (01) . . . . . . . . . . . . . . . . . . . . 60

C.1 AMTPS (Automated Methane Potential Test System) . . . . . . . . 67

F.1 Taratura ZN in anello chiuso . . . . . . . . . . . . . . . . . . . . . . 85

1 Regole empiriche per la valutazione dei rapporti FOS/TAC . . . . . 5

2.1 Lista delle variabili del modello ADM1. . . . . . . . . . . . . . . . 15

3.1 Identificazione BMP (primo ordine) . . . . . . . . . . . . . . . . . . 26

4.1 Limiti di portata sulle matrici di alimentazione. . . . . . . . . . . . 44

A.1 Matrice di Petersen AMOCO Modificato . . . . . . . . . . . . . . . 63

B.1 Elenco completo dei parametri iniziali . . . . . . . . . . . . . . . . . 66

C.1 Tabella andamento scenari di sperimentazione . . . . . . . . . . . . 71

F.1 Regole di taratura di ZN in anello chiuso. . . . . . . . 85

D.1 Lettura dei dati delle analisi di BMP da Excel . . . . . . . . . . . . 73

La produzione di biogas tramite digestione anaerobica, benché ampiamente

lo scopo di controllare la produzione di metano e migliorare la stabilità del processo.

Although widely analysed under the environmental and biochemical point of

methane and improving the stability of the process.

La storia del biogas da effluenti zootecnici è stata caratterizzata in Italia da due

economico dell’investimento. Tuttavia, ciò che ha permesso il diffondersi di queste

Per quanto riguarda la modellisitica dei processi di digestione anaerobica, essa

decorso del processo di digestione.

lineare. Si è quindi deciso di applicare un approccio di massima verosimiglianza

FOS/TAC Indicazione Azione da Intraprendere

Digestione anaerobica: il processo e

1.1 La digestione anaerobica

• Psicrofilia Utilizzando impianti semplificati è possibile operare anche in

• Mesofilia La condizione operativa sicuramente più utilizzata è la mesofilia,

• Termofilia Sicuramente la condizione meno utilizzata è la termofilia, infatti

La digestione anaerobica del materiale organico biodegradabile implica l’uso

1. La prima fase di Disintegrazione e Idrolisi rappresenta i processi di

2. Le fasi di Acidogenesi e Acetogenesi, a cui fa riferimento il processo P1 , che

3. La fase di Metanogenesi, a cui fa riferimento il processo P2 , che descrive il

4. Le fasi di Decadimento delle due popolazioni batteriche (X1 e X2 ), descritte

1.1.1 Disintegrazione e idrolisi

Nella prima fase di disintegrazione ed idrolisi, la biomassa in ingresso viene

Nella fase di acidogenesi, i batteri acidogeni riescono a fermentare il materiale

1.2 Il reattore o digestore anaerobico

Esistono diverse tipologie di reattori classificabili a seconda della tipologia di

Modellistica dei processi di

Questo capitolo descrive inizialmente i due principali modelli di DA: nella

2.1 Anaerobic Digestion Model No.1 (ADM1)

che nessuno dei processi sopra descritti avrebbe significativamente influenzato il

al bilancio di massa delle variabili di stato dinamiche e coinvolgono 19 processi

Dove tHR è il tempo di ritenzione idraulica (giorni), ρj è il rateo del processo

dell’azoto ammoniacale e dell’azoto organico che vengono trasformati in solfato d’ammonio

Tabella 2.1: Lista delle variabili del modello ADM1.

1 Disintegrazione 2 Idrolisi dei carboidrati 3 Idrolisi delle proteine

4 Idrolisi dei lipidi 5 Assorbimento degli zuccheri 6 Assorbimento degli Amminoacidi

Tabella 2.2: Lista dei processi del modello ADM1.