بررسی کارایی افزودنی های بر پایه آهن در هضم بی هوازی کودهای دامی: مطالعه مدل سازی سینیتیک
Publish place: Journal of Agricultural Machinery، Vol: 14، Issue: 1
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 27
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JAM-14-1_002
تاریخ نمایه سازی: 28 اسفند 1402
Abstract:
در تلاش برای بهبود عملکرد و پایداری هضم بی هوازی (AD)، افزودنی های مبتنی بر آهن به عنوان ریزمغذی ها و لجن تصفیه آب آشامیدنی (DWTS) می توانند نقش کلیدی داشته باشند. این مطالعه به بررسی سینتیک تولید متان در طول AD کودهای گاوی می پردازد که شامل غلظت های مختلف Fe و Fe۳O۴ (۱۰، ۲۰ و ۳۰ میلی گرم در لیتر) و DWTS (۶، ۱۲ و ۱۸ میلی گرم در لیتر) می شود. با استفاده از یک کتابخانه گسترده از مدل های رگرسیون غیرخطی (NLR)، ۲۶ نامزد مورد بررسی قرار گرفتند و هشت مورد به عنوان پیش بینی کننده های قوی برای کل فرآیند تولید متان ظاهر شدند. مدل Michaelis-Menten به عنوان انتخاب برتر برجسته شد و سینتیک کودهای دامی AD را با افزودنی های مشخص شده آشکار کرد. یافته ها نشان داد که سطوح مختلف DWTS بالاترین تولید متان را به همراه دارد، در حالی که Fe۳O۴۲۰ و Fe۳O۴۳۰ کمترین میزان را ثبت کردند. قابل ذکر است، DWTS۶ تولید متان تقریبا ۳۴% و ۴۲% را در مقایسه با Fe۲۰ و Fe۳O۴۳۰ نشان داد و آن را به عنوان موثرترین تیمار معرفی کرد. علاوه بر این، DWTS۱۲ بالاترین میزان تولید متان را به نمایش گذاشت و به ۶/۱۴۷ سی سی در روز ششم رسید. با تاکید بر مفاهیم عملی، این تحقیق بر کاربرد مدل پیشنهادی برای تجزیه و تحلیل سایر پارامترها و بهینه سازی عملکرد AD تاکید می کند. این مطالعه با بررسی پتانسیل افزودنی های مبتنی بر آهن و DWTS، مسیر را در تولید متان از کودهای گاوی و پیشبرد شیوه های مدیریت زباله پایدار هموار می سازد.
Keywords:
Authors
جواد رضایی فر
گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران
عباس روحانی
گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران
محمدعلی ابراهیمی نیک
گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :