A DATA-DRIVEN APPROACH TO PREDICT THE BIOCRUDE OIL YIELD IN HYDROTHERMAL LIQUEFACTION PROCESSES

Hydrothermal Liquefaction (HTL) is a promising technology for converting wet organic waste into biocrude oil, but its industrial scale-up is limited by the scarcity of experimental data for heterogeneous feedstocks like sewage sludge. This thesis develops and compares three predictive models (Multi-Component Additive, semi-empirical Kinetic an Random Forest) to estimate biocrude yields, overcoming data limitations with a 'Transfer Learning' approach, using benchmarks from experiments performed in the Laboratory of Chemical Technologies of the University of Salento, thus providing robust predictive tools, reducing cost and complexities related to the application of the technology

La liquefazione idrotermica (HTL) è una tecnologia promettente per la conversione di rifiuti organici umidi in biocrudo, ma la sua scalabilità industriale è limitata dalla scarsità di dati sperimentali relativi a cariche eterogenee come i fanghi di depurazione. Questa tesi sviluppa e confronta tre modelli predittivi (Multi-Component Additive, Cinetico semi-empirico e Random Forest) per stimare la resa di biocrudo, ovviando alla scarsità di dati mediante un approccio di Transfer Learning. Assumendo come riferimento le condizioni di processo degli esperimenti condotti presso il Laboratorio di Tecnologie Chimiche (LCT) dell’Università del Salento per la ricerca dei dati, il presente lavoro fornisce strumenti predittivi robusti, riducendo i costi e le complessità legati all'applicazione di questa tecnologia.