Rapporto tecnico sul WP-6 Modelli matematici, tools e software, per la progettazione, il controllo e l’ottimizzazione dei fotobioreattori.

Sardegna FESR 2014/2020 - ASSE PRIORITARIO I

“RICERCA SCIENTIFICA, SVILUPPO TECNOLOGICO E INNOVAZIONE”

Azione 1.1.4 Sostegno alle attività collaborative di R&S per lo sviluppo di nuove tecnologie sostenibili, di nuovi prodotti e servizi

Progetto COMISAR “COltivazione di ceppi MIcroalgali SARdi per applicazioni innovative nei settori agro- alimentare, nutraceutico, cosmetico e ambientale”

Relazione a cura di: Alessandro Concas

Organismo di Ricerca: Centro di Ingegneria e Scienze Ambientali (CINSA) e Centro di Ricerca Sviluppo e Studi Superiori in Sardegna (CRS4)

Progetto Cluster Top Down: COltivazione di ceppi MIcroalgali SARdi per applicazioni innovative nei settori agro-alimentare, nutraceutico, cosmetico e

ambientale (COMISAR)

Rapporto tecnico sul WP-6 Modelli matematici, tools e software, per la progettazione, il

controllo e l’ottimizzazione dei

fotobioreattori.

2/25

WP-6. Ottimizzazione dei terreni di coltura

L’obiettivo realizzativo 6 aveva come oggetto lo sviluppo di un modello matematico per l’interpretazione dei dati sperimentali prodotti nell’ambito degli altri obiettivi realizzativi e in particolare del WP-4. I modelli matematici, infatti, oltre a consentire una comprensione meccanicistica dei fenomeni in gioco che influiscono sulle performances dei fotobioreattori, permettono anche di inferire nuove informazioni utili al miglioramento della tecnologia. Inoltre, una volta validati mediante confronto predittivo con i dati sperimentali, tali modelli possono essere opportunamente modificati per simulare condizioni operative non investigate e/o non investigabili sperimentalmente per motivi di natura logistica e/o economica. Questo consente anche di valutare le potenzialità di nuove configurazioni impiantistiche e modalità operative. Una volta scelta poi la configurazione migliore, attraverso il modello è possibile individuare le condizioni operative che ne ottimizzano le rese sia in termini di produttività lipidica e di biomassa. Questi aspetti sono affrontati negli obiettivi realizzativi che vanno dal WP-6.1 al WP-6.3 (cfr. Figura 1).

Figura 1. Schema a blocchi dell’articolazione dell’obiettivo realizzativo WP-6

Nel sotto-obiettivo WP-6.4 poi sono state utilizzate informazioni specifiche ottenute nei precedenti per sviluppare un tool che consente di fare delle valutazioni e ottimizzazioni tecno-economiche relative all’applicazione della tecnologia su larga scala. Questo tool, qui sviluppato per un’alga generica verrà poi utilizzato nell’ambito del WP-7 per capire le potenziali redditività del processo sul

Modelli matematici, tools e software, per la progettazione, il controllo e l’ottimizzazione dei

fotobioreattori.

WP.6.1 Interpretazione quantitativa dei dati sperimentali per l’inferenza di informazioni utili al miglioramento della tecnologia.

WP.6.2 Simulazione

delle performances del processo in

condizioni differenti da

quelle investigate

WP.6.3 Individuazione

delle condizioni

operative ottimali.

WP.6.4 Ingegnerizz. e ottimizzazione

tecno- economica

delle unità impiantistiche

coinvolte nel processo.

WP.6.5 Sviluppare

tools informatici per la simulazione, l’ottimizzazione

e il controllo dei fotobioreattori

investigati

3/25

larga scala che prevede l’utilizzo del ceppo algale sardo. I tools e i software sviluppati e/o utilizzati per svolgere l’attività relativa al WP-6 saranno poi allegati alla presente.

WP-6.1. Interpretazione quantitativa dei dati sperimentali per l’inferenza di informazioni utili al miglioramento della tecnologia.

In primis l’attività modellistica ha riguardato l’interpretazione dei dati sperimentali ottenuti nell’0’mabito delle prove effettuate in multiwells per l’analisi dell’effetto della concentrazione di nitrati e del pH sulla velocità specifica di crescita di Coccomyxa melkonianii (cfr. rapporto WP-4). Tale interpretazione è avvenuta mediante le cosiddette cinetiche di Monod (1950) e Tan et al., (1998). Si rimanda al WP4 per la visione dei risultati. I risultati così ottenuti sono stati poi utilizzati per sviluppare un modello più dettagliato che consentisse l’interpretazione delle prove cinetiche di crescita effettuate in fotobioreattori batch da 2L variando la concentrazione di azoto.

Il modello matematico sviluppato è basato sui principi primi di conservazione della materia e dell’energia radiante (flusso fotonico) per la simulazione della crescita delle micro-alghe nei reattori batch e la contestuale produzione di lipidi e acidi grassi. Il modello tiene conto dell’effetto del flusso luminoso, del pH e della concentrazione di nitrati nel mezzo di coltura sia attraverso cinetiche di letteratura sia attraverso cinetiche identificate ad hoc nel presente progetto come descritto nella sezione apposita. Dal punto di vista matematico il modello si estrinseca in un sistema di equazioni differenziali algebriche DAE. Il modello matematico è descritto nel dettaglio nell’articolo sottomesso alla rivista Chemical Engineering Journal di Soru et al. (2019) e allegato alla presente. Si precisa che in tale articolo è stato ufficialmente ringraziato il progetto COMISAR e Sardegna Ricerche per il supporto finanziario all’attività in esso decritta.

Le equazioni del modello sono riportate in sintesi nella Tabella 1 insieme ad una breve descrizione del loro significato fisico. Per quanto concerne le condizioni iniziali, esse sono desumibili dall’articolo Soru et al., 2019.

La soluzione del problema matematico è avvenuta attraverso opportuni algoritmi numerici (predictor- corrector) basati sul metodo di Gear e implementati su codici di calcolo in Fortran eseguiti su un solo nodo del cluster di calcolo di proprietà del CRS4.

Gli output modellistici sono rappresentati dall’evoluzione nel tempo della concentrazione di biomassa algale, della concentrazione di nitrati e del contenuto lipidico della biomassa.

4/25 Tabella 1. Equazioni principali del modello matematico sviluppato

Il significato fisico delle diverse variabili che compaiono nel modello sono invece riportate nella Tabella 2.

I parametri del modello sono stati valutati massimizzando l’aderenza dei risultati modellistici a quelli sperimentali (cfr WP-4) ottenuti utilizzando il mezzo di coltura BBM (Bold’s Basal Medium, cfr. WP- 3) attraverso un algoritmo di ottimizzazione di una funzione obiettivo, ottenuta attraverso il metodo dei minimi quadrati, basato sulla tecnica della sezione aurea e implementato sempre su codice di calcolo in Fortran. I codici sono forniti come output del WP-6.1 mentre i valori ottenuti dei parametri sono riportati nelle Tabelle 3 e 4.

I valori dei parametri sono stati poi validati valutando la capacità predittiva del modello attraverso confronto con i dati sperimentali ottenuti in condizioni operative differenti dalle precedenti.

5/25 Tabella 2. Significato fisico dei simboli delle variabili nelle equazioni del modello.

Simbolo Significato Unità

𝑪_𝒙 Concentrazione della biomassa microalgale totale g_dw L^-1 𝑪_𝒍 Concentrazione della frazione lipidica della biomassa algale g_dw L^-1 𝑪_𝑵𝑶𝟑 Concentrazione totale di massa di nitrati in fase bulk g_NO3 L^-1

𝑰_𝟎 Intensità della luce incidente mEm^-2min^-1

𝑰_𝒂𝒗 Intensità media della luce all'interno della cultura mEm^-2min^-1 𝑰_𝑲 Costante di semi-saturazione della cinetica dipendente dalla luce mEm^-2min^-1

𝒌_𝟎 Parametro della cinetica dipendente dal pH h^-1

𝒌_𝟏 Parametro della cinetica dipendente dal pH h^-1

𝑲_𝟏 Parametro della cinetica dipendente dal pH mol_H+ L^-1

𝒌_𝟐 Parametro della cinetica dipendente dal pH h^-1

𝑲_𝟐 Parametro della cinetica dipendente dal pH mol_H+ L^-1

𝑲_𝐜 Coefficiente di estinzione ottica per la biomassa m² g^-1

𝑲_𝑵𝑶𝟑 Costante di semi-saturazione dei nitrati g_NO3 L^-1

𝒏 Parametro che tiene conto della fotoibizione -

𝒒_𝑳 Quota intracellulare lipidica g_dw g_dw^-1

𝒒_𝑳^𝒎𝒂𝒙 Massima quota intracellulare lipidica g_dw g_dw^-1

𝑹 Raggio del fotobioreattore cilindrico m

𝒀_𝑵𝑶𝟑⁻ Resa dei nitrati g_NO3 g_dw^-1

𝜶 Proporzionalità tra tasso di crescita lipidico e tasso di crescita delle alghe -

𝝁_𝒎𝒂𝒙 Tasso di crescita specifico massimo h^-1

𝝁_𝒅 Tasso di perdita di massa h^-1

𝝍 Proporzionalità tra tasso di crescita lipidico e consumo di azoto g_dw L^-1

6/25 Tabella 3. Valori dei parametri delle cinetiche di Monod (1950) e Tan et al. (1998), ottenuti mediante fitting delle prove effettuate in multiwells

Tabella 4. Valori dei parametri ottenuti mediante fitting delle prove sperimentali effettuate in mutiwells

Nella Figura 2 sono riportati invece i risultati del fitting del modello sulle prove sperimentali effettuate col BBM. Come si può osservare, tale confronto ha dato esiti estremamente positivi e il modello matematico sviluppato, con i parametri di riferimento, può rappresentare uno strumento utile all’analisi dell’evoluzione della biomassa, della concentrazione di nitrati e della quota lipidica intracellulare.

Parameter Value Units Reference

𝑲_𝑪 5.76 × 10¹ 𝐿 𝑔⁻¹𝑚⁻¹ Jeffryes et al. 2013

𝑰_𝟎 1.00 × 10² 𝜇𝐸 𝑚⁻²𝑠⁻¹ Experimentally measured

𝑰_𝑲 2.70 × 10² 𝜇𝐸 𝑚⁻²𝑠⁻¹ This work

𝒏 1.70 × 10⁰ - Grima et al., 1994

𝒒_{𝑳,𝒎𝒂𝒙} 4.80 × 10¹ 𝑤𝑡% Evaluated as reported by Concas et al., 2016

𝑹 4.00 × 10⁻² 𝑚 Experimentally measured

𝒀_𝑵𝑶𝟑⁻ 1.95 × 10⁻¹ - This work

𝜶 1.50 × 10⁻² - This work

𝝍 5.00 × 10⁻² 𝑔 𝐿⁻¹ This work

1

7/25 Figura 2. Confronto tra dati sperimentali ottenuti col BBM e risultati modellistici ottenuti mediante fitting dei parametri, a) pH, b) biomassa, c) nitrati e d) lipidi.

Per valutate la capacità predittive del modello sono poi stati simulati i dati sperimentali ottenuti utilizzando un BBM arricchito (5N) o impoverito (1/5N) in azoto mantenendo fissi i valori dei parametri riportati nelle Tabelle 3 e 4. I risultati delle simulazioni sono riportati nella Figura 3 e mostrano una buona aderenza del modello alla realtà empirica. Pertanto, il modello può essere ragionevolmente utilizzato per prevedere anche configurazioni reattoristiche e condizioni operative differenti da quelle testate sperimentalmente.

0 200 400 600 800 1000 1200 1400 6,5

7,0 7,5 8,0 8,5 9,0 9,5 10,0 10,5 11,0

Experimental data (BBM) Interpolation for model input

pH, (-)

Time (h)

(a)

0 200 400 600 800 1000 1200 1400 0,0

0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0

Exerimental data (BBM) Model fitting

Biomass concentration, (g L-1 )

Time (h)

(b)

1

0 200 400 600 800 1000 1200 1400 0,00

0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45

0,50 Experimental data BBM Model fitting

CNO

- 3, (g L-1 )

Time (h)

(c)

0 200 400 600 800 1000 1200 1400 0

5 10 15 20 25 30

35 Experimental data BBM Model fitting

Lipid content, qL (wt%)

Time (h)

(d)

2

8/25 Figura 3. Confronto tra dati sperimentali ottenuti col BBM arricchito (5N) e impoverito (1/5N) di azoto e risultati modellistici ottenuti mediante simulazione predittiva. a) pH, b) biomassa, c) nitrati e d) lipidi.

Le informazioni utili estrapolabili dal modello sono costituite principalmente dal valore di pH, concentrazione di nitrati e flusso luminoso ottimali per la crescita e la sintesi lipidica nei reattori batch. Tuttavia, combinando opportunamente dati sperimentali relativi alla composizione dei lipidi estratti ed estrapolazioni modellistiche relative alla produttività lipidica dei sistemi investigati è possibile valutare per esempio quale sarebbe la produttività in mg/L/giorno dei diversi acidi grassi presenti nei lipidi (cfr. Figura 5).

0 200 400 600 800 1000 1200 1400 6,5

7,0 7,5 8,0 8,5 9,0 9,5 10,0 10,5

11,0 Experimental data, 5N Experimental data, 1/5N Interpolation for model input

pH, (/)

Time h

(a)

0 200 400 600 800 1000 1200 1400 0,0

0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6

1,8 Experimental data 5N Experimental data 1/5N Model Prediction

Biomass concentration, (g L-1 )

Time (h)

(b)

1

0 200 400 600 800 1000 1200 1400 0,00

0,05 0,10 0,15 0,6 0,8 1,0 1,2 1,4

1,6 Experimental data 5N

Experimental data 1/5N Model prediction

CNO

- 3, (g L-1 )

Time (h)

(c)

0 200 400 600 800 1000 1200 1400 0

10 20 30 40 50

60 Experimental data 5N Experimental data 1/5N Model prediction

Lipid content, qL (wt%)

Time (h)

(d)

2

9/25

C8:0 C16:0 C16:1 C17:0 C18:0 C18:1 C18:2 C18:3 C20:0 C20:1

0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.11

Lipid productivity (mg L-1 h-1 ) ^BBM

5N 1/5N

Figura 4. Valutazione delle produttività dei diversi acidi grassi costituenti i lipidi attraverso integrazione di dati sperimentali sulla composizione lipidica con estrapolazioni modellistiche delle produttività lipidica.

Come si vede quindi il modello sviluppato consente di prevedere in maniera verosimile il comportamento del sistema in condizioni differenti da quelle testate sperimentalmente. Un utilizzo proficuo di tale proprietà del modello è descritto nelle parti seguenti del documento.

WP-6.2. Simulazione del processo in condizioni differenti da quelle investigate.

La buona capacità predittiva del modello fa si che quest’ultimo possa essere utilizzato per simulare le performances ottenibili adottando configurazioni e modalità operative differenti da quelle investigate sperimentalmente. Nell’ambito di questo sotto-obiettivo si è pertanto deciso di simulare una modalità operativa dei fotobioreattori tipicamente adottata nell’impiantistica di larga scala ossia la modalità ‘fed-batch’. Questa consiste nel prelevare, con continuità o in determinati istanti di tempo prestabiliti, un certo volume dalla coltura che ha raggiunto le condizioni stazionarie e rimpiazzarla con uguali volumi di mezzo di coltura privo di alghe. Questa modalità, per cui il fotobioreattore può essere assimilato ad un chemostato, consente la raccolta continua di biomassa da inviare alle successive fasi di estrazione lipidica e se condotta adottando le giuste condizioni operative, consente di ottenere produttività lipidiche più alte della modalità batch studiata in laboratorio. Per

10/

25

descrivere matematicamente tali condizioni operative le uniche equazioni che cambiano rispetto al modello descritto nella Tabella 1 sono le seguenti.

Come si può notare le equazioni introducono una nuova grandezza definita ‘dilution rate’ (simbolo D) che rappresenta il rapporto tra la portata di coltura estratta dal reattore e il volume dello stesso.

Modulando opportunamente tale grandezza è possibile massimizzare la produttività lipidica.

Pertanto, sono state effettuate una serie di simulazioni mantenendo i valori dei parametri uguali a quelli indicati nelle Tabelle 3 e 4 e facendo ma variando il valore del ‘dilution rate’ e analizzando la produttività di biomassa in output. Il risultato ottenuto è mostrato nel grafico di Figura 5.

Figura 5. Andamento simulato della produttività di biomassa in funzione del dilution rate

Si può osservare che la produttività di biomassa presenta un massimo in corrispondenza di un dilution rate pari a circa 0.01 hr^-1. Questa, pertanto, rappresenta la condizione operativa migliore per

11/

25

il funzionamento di un fotobioreattore che utilizzi la configurazione simile a quella investigata sperimentalmente tranne per il fatto di essere condotto in modalità ‘fed-batch’. Ovviamente possono poi essere fatte col modello una serie di simulazioni in cui vengono variare altre variabili operative quali ad ‘esempio, intensità della luce, concentrazioni dei nutrienti, pH etc. ma nella presente relazione si preferisce mostrare solo l’effetto del ‘dilution rate’ per questioni di brevità della discussione. Il codice di calcolo trasferito a Sardegna Ricerche consentirà comunque ad un utente esperto di effettuare le simulazioni ritenute più opportune.

WP-6.3. Individuazione delle condizioni operative ottimali.

Con la stessa strategia operativa appena descritta sono state realizzate le cosiddette mappe di ottimizzazione che consentono di valutare quali coppie di valori del ‘dilution rate’ e della concentrazione di azoto consentono di massimizzare sia le produttività in biomassa sia quelle lipidiche. Tali mappe possono essere realizzate anche utilizzando diverse coppie di variabili operative ma sono stati scelti i due sopra specificati in quanto il primo influenzava maggiormente la produttività di biomassa mentre il secondo agisce sulla produttività lipidica, ossia del prodotto utile.

Le mappe sono mostrate in Figura 6.

Figura 6. Mappe di ottimizzazione della produttività in biomassa e di quella lipidica.

Le zone in rosso rappresentano quelle in corrispondenza delle quali le produttività sono massime e pertanto individuano le coppie di valori di CNO3 e D che ottimizzano il processo.

12/

25

WP-6.4. Ingegnerizzazione e ottimizzazione tecno-economica delle unità impiantistiche coinvolte nel processo

Per l’ingegnerizzazione tecno-economica del processo è stato sviluppato un semplice tool in excel che prende in input alcuni dati dedotti col modello matematico appena descritto e li utilizza per fare una serie di analisi tecniche di un processo implementato su una scala larga a piacimento.

Nella fattispecie il tool parte dalla conoscenza del ‘dilution rate’ che massimizza le produttività Dmax, ottenuta come indicato nei precedenti paragrafi, e sulla base di questa, nonché di altre informazioni sperimentali sull’alga, calcola la cosiddetta efficienza fotosintetica () mediante la relazione proposta da Molina Grima et al (1998):

( )

max 0

1 exp

b b

e b

D C Q

I K C L

L





 

=

  −   −    

Dove il significato delle variabili e valore che esse assumono è riportato nella Tabella seguente:

Tabella 5 significato e valore delle grandezze utilizzate per il calcolo dell’efficienza fotosintetica:

Parametro Simbolo Valore U.M Rif.

Dilution rate Dmax 0.005 1/hr condizione operativa dedotta Concentrazione biomassa Cb 1200 g/m³ condizione operativa a plateau Luce incidente I0 432000 E / m² / hr Valore pari a quello medio outodoor Spessore lama d'acqua L 0.08 m condizione operativa

Calore di combustione Qb 21000 J/g Grima et al., 1997

Conversione E to J  0.495 J/E Gonçalves dos Reis and Ribeiros, 2019 Coefficiente assorbimento ka 0.18 m²/g Grima et al., 1997

* si è ipotizzato di ottenere le stesse prestazioni con intensità luminose tipiche di quelle outdoor (800 E/m²/s) Come si vede il valore di  è ottenuto ipotizzando di utilizzare intensità luminose analoghe a quelle rilevate outdoor in Sardegna al fine di simulare impianti ubicati all’aperto. Con tale metodologia si riesce a calcolare un’efficienza fotosintetica per C. melkonianii pari a circa 4.71 % in linea con i dati medi di letteratura per le alghe.

A questo punto nel tool di calcolo (cfr. file Algae production plant.xlsm allegato alla presente e Figura 7) si può scegliere da un menu a tendina l’alga che sarà coltivata. Per completezza il tool consente

13/

25

anche di valutare l’effetto dell’utilizzo di un consorzio di più ceppi algali, in proporzioni prestabilite, nell’inoculo. Nella trattazione seguente ci focalizziamo però sull’ipotesi in cui l’unico ceppo utilizzato si costituito da C. melkonianii. Una volta scelto il ceppo sono impostati i valori del contenuto in macro- composti quali lipidi, proteine e carboidrati sulla base dei dati sperimentali ottenuti.

Figura 7. Impostazione del ceppo da coltivare e del suo contenuto in macrocomposti.

Nella fattispecie per il calcolo del contenuto lipidico sono stati utilizzati i dati sperimentali ottenuti come riportato nei rapporti precedenti mentre per il calcolo delle proteine si è partiti dal contenuto in azoto ottenuto mediante l’analisi CHN e a questo si è applicato un fattore di conversione, ‘nitrogen to protein ratio’, pari a 6.25 ampiamente utilizzato in letteratura. I valori degli acidi organici sono anch’essi dedotti dalla letteratura mentre il contenuto di carboidrati è stato ottenuto come complemento a 100 della somma dei valori precedenti.

Di seguito da un menu a tendina sono impostati l’ubicazione dell’impianto, la sua superfice, l’altezza della lama d’acqua nel raceway, la superficie del singolo raceway (pond) etc. (Cfr Figura 8)

Figura 8. Impostazione dell’ubicazione dell’impianto e della superfice totale dello stesso.

In base all’ubicazione dell’impianto vengono poi impostate le caratteristiche meteoclimatiche del sito incluse temperature mensili e livelli di radiazione luminosa come mostrato in Figura 9. Proprio dai valori di radiazione luminosa e dall’area dei ponds, attraverso la conoscenza dell’efficienza fotosintetica è possibile calcolare la quantità di glucosio (carboidrati) prodotti dall’alga nei diversi mesi di coltivazione a seguito di conversione fotosintetica dell’energia radiante raccolta dall’impianto.

14/

25

Dalle proporzioni con cui i carboidrati sono poi presenti nell’intera biomassa (Figura 7) è possibile valutare le quantità di biomassa algale prodotte mensilmente nell’impianto di dimensioni stabilite. Un esempio di questi calcoli è riportato nella Figura 10. Come si può notare dalla Figura 10, una volta note le quantità di biomassa secca prodotte mensilmente è possibile dedurre i volumi di coltura e quindi una serie dia altre informazioni quali consumi elettrici, etc. Come si può notare, il tool prevede anche la possibilità che durante la coltivazione si verifichino dei fenomeni di crash della coltura per cui è necessario scaricare completamente i reattori e far ripartire l’impianto. Durante tali eventi, oltre a perdita di biomassa si verifica la produzione di acque di rifiuto che è necessario smaltire e che il tool consente di calcolare. Sulla base delle caratteristiche meteo-climatiche del sito sono calcolati altre informazioni fondamentali quali, acqua evaporata da re-integrare e calore da fornire nei mesi più freddi. Per il dettaglio sui calcoli si rimanda al foglio excel allegato.

Di seguito il tool, sulla base dei dati ottenuti nella sezione di coltivazione, calcola una serie di parametri impiantistici relativi alla sezione di raccolta della biomassa che si ipotizza avvenire per centrifugazione. Per al valutazione dei parametri energetici delle centrifughe e del loro numero/dimensione si ipotizza che la coltura, partendo da un contenuto medio di solidi secchi pari al 15%wt debba essere concentrata ad un contenuto pari all’80% dwt. Sulla base di questa informazione è calcolata anche la quantità d’acqua di rifiuto scaricata e quella che può essere ricircolata in testa alla vasca di coltivazione (ponds o raceway). Una ‘snapshot’ di questo calcoli è riportata nella Figura 11.

Infine, si ipotizza di ridurre ulteriormente il contenuto d’acqua della biomassa uscente dalla centrifuga mediante un essiccatore a tamburo. I calcoli per la valutazione della quantità di calore da fornire e i consumi energetici connessi all’attività dell’essiccatore sono riportati in Figura 12. Il tool calcola inoltre il numero di ore di personale da dedicare a questo impianto per poter effettuare valutazioni economiche in seguito. Maggiori dettagli sui calcoli effettuati sono deducibili sempre dal foglio Excel allegato alla presente.

Aggregando su base annuale tutte le informazioni ottenute su base mensile e riportandole nello schema grafico dell’impianto di Figura 13, è possibile visualizzare con immediatezza l’analisi tecnica che è possibile effettuare mediante il sistema di calcolo sviluppato.

Figura 10. Calcolo delle produzioni di biomassa, dei consumi energetici e di altri parametri del processo della sezione di coltivazione

Figura 11. Calcolo delle produzioni di biomassa, dei consumi energetici e di altri parametri del processo della sezione di raccolta (Centrifugazione)

Calculation of production Gen Feb Mar Apr Mag Giu Lug Ago Set Ott Nov Dic units total unit

In operation? yes yes yes yes yes yes yes yes yes yes yes yes -

monthly daylight energy 2542 3108 4774 5640 6913 7230 7533 6603 5010 3844 2580 2170 GJ/month 57947 GJ/year

average temperature ponds 20 20 20 20 20 22 25 25 23 20 20 20 oC

Temperature factor for growth 0.90 0.90 0.90 0.90 0.90 0.96 1.00 1.00 0.96 0.90 0.90 0.90

Glucose production (kg) 6936.1 8480.5 13026.3 15389.3 18862.8 21031.6 22716.3 19911.8 14573.8 10488.7 7039.8 5921.1 kg glucose/month 164378 kg glucose/year biomass production potential (dry weight; kg) 3714.0 4541.0 6975.1 8240.4 10100.4 11261.7 12163.7 10662.1 7803.7 5616.3 3769.6 3170.5 kg dry biomass/month 88019 kg ds biomass/year biomass production realised (dry weight) 3144.2 3844.3 5905.0 6976.1 8550.7 9533.9 10297.5 9026.2 6606.5 4754.7 3191.2 2684.1 kg dry biomass/month 74514 kg ds biomass/year biomass production (volume) 2620.2 3203.6 4920.8 5813.4 7125.6 7944.9 8581.3 7521.9 5505.4 3962.2 2659.3 2236.7 m3 biomass/month 62095 m3 biomass/year lost biomass by crashes (dry weight) 569.8 696.7 1070.2 1264.3 1549.6 1727.8 1866.2 1635.8 1197.3 861.7 578.3 486.4 kg dry biomass/month 13504 kg ds biomass/year lost biomass by crashes (volume) 474.9 580.6 891.8 1053.6 1291.4 1439.8 1555.2 1363.2 997.7 718.1 482.0 405.4 m3 biomass/month 11254 m3 biomass/year

waste water by crashes 474.3 579.9 890.7 1052.3 1289.8 1438.1 1553.3 1361.5 996.5 717.2 481.4 404.9 m3 water/month 11240 m3 water/year

evaporation (volume) 715.1 751.6 992.4 1036.5 1428.2 2126.9 2946.6 2460.7 1213.9 809.9 515.2 566.4 m3 water/month 15563 m3 water/year

rainfall (volume) 600.0 540.0 610.0 450.0 430.0 190.0 30.0 70.0 400.0 770.0 740.0 820.0 m3 water/month 5650 m3 water/year

heat use 633441 488439 362053 198923 201327 0 0 0 0 355895 432025 595749 kWh/month 3267852 kWh/year

electricity air sparging 18540 18540 18540 18540 18540 18540 18540 18540 18540 18540 18540 18540 kWh/month 222480 kWh/year

electricity paddle wheel 9270 9270 9270 9270 9270 9270 9270 9270 9270 9270 9270 9270 kWh/month 111240 kWh/year

electricity heat supply 1854 1854 1854 1854 1854 1854 1854 1854 1854 1854 1854 1854 kWh/month 22248 kWh/year

Centrifuge

biomass to centrifuge (dry weight) 3144.2 3844.3 5905.0 6976.1 8550.7 9533.9 10297.5 9026.2 6606.5 4754.7 3191.2 2684.1 kg dry biomass/month biomass production volume/month 2620.2 3203.6 4920.8 5813.4 7125.6 7944.9 8581.3 7521.9 5505.4 3962.2 2659.3 2236.7 m3 biomass/month

volume of pond(s) 3000.0 3000.0 3000.0 3000.0 3000.0 3000.0 3000.0 3000.0 3000.0 3000.0 3000.0 3000.0 m3

maximum algae concentration 1.048 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.064 0.895 kg ds / m3

number of days 31 28 31 30 31 30 31 31 30 31 30 31 days/month

m3 harvested each day 101.9 120.4 167.1 204.0 242.0 278.8 291.4 255.4 193.2 134.5 105.3 101.9 m3/day

required maximum capacity centrifuge (m3/day) 320.5 320.5 320.5 320.5 320.5 320.5 320.5 320.5 320.5 320.5 320.5 321 m3/day

energy use 3947 4215 6475 7649 9376 10454 11291 9897 7244 5213 3947 3947 kWh/month

harvested biomass volume 20.96 25.63 39.37 46.51 57.00 63.56 68.65 60.17 44.04 31.70 21.27 17.89 m3 biomass/month

harvested biomass (dry weight) 3144.2 3844.3 5905.0 6976.1 8550.7 9533.9 10297.5 9026.2 6606.5 4754.7 3191.2 2684.1 kg dry biomass/month water returning to pond 2823.2 3011.9 4626.4 5465.6 6699.3 7469.5 8067.8 7071.8 5176.0 3725.1 2823.0 2826.0 m3 water/month

waste water centrifuge 313.7 334.7 514.0 607.3 744.4 829.9 896.4 785.8 575.1 413.9 313.7 314.0 m3 water/month

2/25

Figura 12. Calcolo delle produzioni di biomassa, dei consumi energetici, di altri parametri del processo e delle ore di personale della sezione di essicazione

Dryer

Dry matter content of the input stream 15% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15%

Dry matter content after dryng 80% 80% 80% 80% 80% 80% 80% 80% 80% 80% 80% 80%

Water before 17817.2 21784.3 33461.5 39531.4 48454.0 54025.2 58352.7 51148.6 37436.6 26943.0 18083.5 15209.8 kg water/month

Water after 786.1 961.1 1476.2 1744.0 2137.7 2383.5 2574.4 2256.6 1651.6 1188.7 797.8 671.0 kg water/month

Water to be evaporated 17031.1 20823.3 31985.3 37787.4 46316.4 51641.7 55778.3 48892.1 35784.9 25754.4 17285.7 14538.8 kg water/month Specific energy for water evaporation at 100°c 2260.0 2260.0 2260.0 2260.0 2260.0 2260.0 2260.0 2260.0 2260.0 2260.0 2260.0 2260.0 KJ/Kg

Total required energy for water evaporation at 100°C 38490.3 47060.6 72286.7 85399.5 104675.0 116710.3 126058.9 110496.1 80874.0 58204.9 39065.7 32857.6 MJ/month

Electricity 10691.8 13072.4 20079.7 23722.1 29076.4 32419.5 35016.4 30693.4 22465.0 16168.0 10851.6 9127.1 kWh/month

Labour LQ 33.3 33.3 33.3 33.3 33.3 33.3 33.3 33.3 33.3 33.3 33.3 33.3 h/month

Labour HQ 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 h/month

Output (80% dm algae) 3930.3 4805.4 7381.2 8720.2 10688.4 11917.3 12871.9 11282.8 8258.1 5943.3 3989.0 3355.1 kg/month Output (water vapour) 17031.1 20823.3 31985.3 37787.4 46316.4 51641.7 55778.3 48892.1 35784.9 25754.4 17285.7 14538.8 kg water/month

Figura 13. Schema grafico riassuntivo dell’analisi tecnica dell’impianto di coltivazione e raccolta alghe effettuata mediante il tool.

Note le caratteristiche tecniche dell’impianto è possibile fare delle stime dei costi di investimento sulla base dei costi unitari per moduli di circa 1000 m² ciascuno. Sulla base delle informazioni reperite dai rivenditori e nella letteratura è stato possibile ottenere dei costi unitari d’investimento per

Dati riferiti a un anno di produzione

57947 GJ Superficie impianto 10000 m2

Superficie totale 12000 m2 Altezza Pelo libero 0.3 m 28219 m3

Elettricità (miscelazione) 111240 kWh 5650 m3

0 m3

algae pond LQ personale; crashes 404 hr

Biomassa persa (crashes) 13504 kg ds # m3 3267852 kWh

Evaporazione 15563 m3 22248 kWh

Flue gas CO2 147538 kg 222480 kWh

Global Dilution rate 2.2142847 1/y

0.0060665 1/day 295077 kg

Acqua riciclo Biomassa Biomassa 15 %dw Elettricità (essicatore)

59786 m3 74514 kg ds 74514 kg dw 253383 kWh

62095 m3 497 m3

4299 hr 207 hr

Acqua rifiuto Biomassa 80 %dw

6643 m3 Elettricità (centrifuga) 74514 kg dw

83657 kWh 93.1 m3

0,2 m/s

10 x

1 x

Spargers

2/25

i moduli unitari (cfr. Tabella 6 e 7). Accanto ai costi di investimento sono riportati i tempi di ammortamento che risultano utili ad effettuare i calcoli dei costi di gestione.

Tabella 6. Stima dei costi di investimento della sezione di coltivazione per un impianto di 1000 m²

Costi di investimento Costo Ammortamento (Anni)

Reattore (Pond o raceway) € 20'000 15

Sistema di miscelazione € 9'000 8

Scambiatori di calore € 28'000 15

Sistema di sparging € 27'000 10

Sistema di illuminazione € 0 15

Sistema di controllo € 20'000 15

Infrastruttura € 75'000 15

Totale € 179'000

Tabella 7. Stima dei costi di investimento della sezione di raccolta per un impianto di 1000 m²

Costi di investimento Costo Ammortamento (Anni)

Centrifuga € 100'000 10

Sistema di controllo € 10'000 15

Essiccatore € 10'000 20

Infrastruttura € 16'564 15

Total € 136'564

Utilizzando poi la legge sull’economia di scala proposta da Coulson and Sinnot (2005) per impianti assimilabili al presente è stato possibile valutare i costi dell’impianto di dimensioni desiderate.

2

2 1

1

S n

C C S

 

=  

 

Dove C1 è il costo dell’impianto di 1000 m² mentre C2 è il costo dell’impianto di dimensioni prescelte.

S1 e S2 rappresentano invece le superfici (m²) dei due impianti a confronto mentre n è un coefficiente empirico il cui valore è pari a 0.8.

I costi di gestione oltre gli ammortamenti sono poi stati calcolati considerando le seguenti voci:

consumi energetici e termici, personale, fertilizzanti, acqua, assicurazioni, prestiti etc. I valori di tali voci erano facilmente desumibili sulla base delle informazioni ottenute mediante l’analisi tecnica precedentemente riportata.

3/25

Valutati tutti questi aspetti il tool presente una sezione di ricerca obiettivo che consente, cliccando semplicemente su un pulsante, di valutare i prezzi unitari a cui è necessario vendere la biomassa secca affinché il tempo di ritorno dell’investimento sia pari a quello desiderato e impostato su opportuna casella. Infine, cliccando su un altro collegamento ipertestuale (Check valori di mercato) è possibile effettuare un confronto dei prezzi unitari ottenuti con quelli tipici di mercato in modo da poter valutare la competitività del prodotto eventualmente commercializzato.

Un riassunto grafico dell’analisi economica effettuata da tale tool è riportato in Figura 14, mentre la discussione delle informazioni sulle redditività ottenibili mediante il ceppo sardo è riportata nel rapporto tecnico del WP-7 come previsto dal progetto.

Figura 14. Schema grafico dell’analisi economica effettuabile col tool sviluppato

Per un maggior dettaglio si rimanda al foglio Excel allegato alla presente nonché alla presentazione power point.

Numero Ponds utilizzati 5

Costi d'investimento sezione coltivazione Superficie totale impianto (m²) 6000 Costi variabili unitari (per anno)

Costo Valore Costo €/kg/anno

Costruzione pond € 13'133 Fertilizzanti (N) 0.12

Miscelatore € 23'639 Fertilizzanti (P) 0.01

Scambiatori calore € 73'543 Acqua 0.95

Sparging € 70'916 Elettricità 2.10

Illuminazione € 0 Personale LQ 1.83

Controllo processo 1 € 39'398 Personale HQ 0.17

Infrastruttura 1 € 196'990 Acque di rifiuto 0.07

Totale coltivazione € 417'618 Ammortam/manutenz/Assic/inter 8.23

Terra 0.04

Costi d'investimento sezione raccolta Totale 14

Costo Valore

Centrifuga € 151'572

Controllo processo 2 € 26'265 Risultati economici

Infrastruttura 2 € 43'505 Dati Economici Valore

Essicatore € 26'265 Ricavi totali € 261'277

Totale raccolta € 247'607 Costi totali € 186'948

Guadagni totali € 74'329

Investimento totale € 665'225 Ricavo / 100€ costi 140

Prezzo unitario di vendita (€/kg) € 18.89

Costo unitario di produzione € 13.51

Investimento totale € 776'306

Ritorno sugli investimenti (ROI) 20%

Tempo di ritorno (anni) 5.0

Inserire Tempo di ritorno desiderato (anni) 5.00

Check valore di mercato

€ 18.9

€ '0

€ 50'000

€ 100'000

€ 150'000

€ 200'000

€ 250'000

€ 300'000

€ 350'000

€ 400'000

€ 450'000

Totale coltivazione Totale raccolta

Costruzione pond

2%

Miscelatore

3% Scambiatori calore

11%

Sparging 11%Illuminazion

e 0%

Controllo processo 1

6%

Infrastruttur a coltivaz

30%

Centrifuga 23%

Infrastruttur a 2 6%

Essicatore 4%

Incidenze sui costi di investimento

Fertilizzanti (N) 0.01

Acqua 7%

Elettricità 15%

Personale LQ 14%

Personale HQ 1%

Acque di rifiuto

1%

Ammortam /manutenz/

Assic/inter 61%

Incidenze sui costi variabili

Calcola prezzo di vendita

4/25

L’analisi appena riportata ha riguardato la vendita della biomassa algale secca. Poiché nelle fasi precedenti del progetto si è però stabilito di commercializzare i lipidi algali è stato sviluppato un nuovo foglio di calcolo (Cfr. file ‘Oil Extraction Plant’ allegato alla presente) nel quale è possibile fare le valutazioni tecno-economiche di un impianto in cui alla fase di coltivazione è accoppiata una sezione di downstream nella quale vengono effettuate le fasi di “cell disruption”, estrazione lipidica e purificazione dei lipidi. Nella fattispecie si prevede di effettuare l’operazione di distruzione della parte cellulare mediante un mulino a sfere mentre l’estrazione lipidica viene effettuata mediante CO2

supercritica. La fase di purificazione si rende necessaria perché nel caso dell’estrazione supercritica è necessario separare le proteine, i pigmenti etc. Questa viene effettuata in un semplice reattore dove insieme all’estratto vengono inviati acido fosforico, idrossido di sodio e acido citrico. Questo consente di separare i lipidi dal resto della biomassa e soprattutto dai pigmenti quali clorofille e carotenoidi.

Lo schema dell’impianto, unitamente a tutte le analisi tecniche che il tool è in grado di compiere è riportato in Figura 15. L’approccio adottato per effettuare tutti i calcoli è, ‘mutatis mutandis’ del tutto simile a quello descritto a grandi linee per la sezione di coltivazione e facilmente desumibile dal foglio Excel allegato. Sempre in Figura 15 sono quindi mostrati i risultati dell’analisi tecnica effettuata su base annuale in termini di flussi di materia da trattare e la generazione sottoprodotti nonché consumi energetici sia elettrici che termini e di reagenti. L’aspetto più importante è comunque la possibilità di valutare i quantitativi di prodotto utile da commercializzare generato con l’impianto in esame (Cfr. Figura 15).

Il dimensionamento delle diverse apparecchiature avviene scegliendo una tipologia base di mulino a sfere, di sistema di estrazione e reattore di purificazione che sono in grado di trattare certi quantitativi di materia. Successivamente, sulla base dei flussi di materia da trattare effettivamente (ossia quelli uscenti dalla sezione di coltivazione) vien calcolato il numero di queste unità che risulta necessario. Questo consente anche di valutare i costi di investimento dell’impianto sfruttando i calcoli facilmente desumibili dal file excel allegato.

Figura 15. Schema grafico riassuntivo dell’analisi tecnica dell’impianto di estrazione e purificazione dei lipidi algali.

Biomassa algale (20 %H20) CO2+ Olio

Umida 20987 kg/y Tempo di resid. 1 h

Secca 16790 kg/y 10 L Reattore/miscelatore Capacità 6 L

Olio 30% Operation: Semi-Batch T 40 - 80 °C Sedimentatore Elettricità (tot) 148 KWh/y

8 kg/batch P 30 - 35 MPa Tempo batch 8 h

2624 batches/y Energia 16790 kWh/y

Raffreddamento H2O 191 kg/y

Capacità Compressore /condensazione

2.6234 kg/h Residuo estrazione H3PO4 0.5 kg/y

12005 kg/y

Consumo energetico NaOH 1.5 kg/y

31396 kWh/y Biomassa trattata

Secca 16789.5 kg/y Separazione C₆H₈O₇ 1.0 kg/y

Efficienza di rottura CO2 olio grezzo

95% Recuperata

80% Olio raffinato

Funzionamento: Batch 4986 L/y

Olio grezzo

Integrazione CO2 4785 kg/y Acqua di rifiuto

10516 kg/y Riscaldamento 0.24 m3/y

CO2

Capacità 1 colonna

CO₂+ Olio algale

Ball mill

Estrattore CO2

Successivamente conoscendo i costi per l’energia, per i reagenti, etc è possibile valutare i costi di gestione dell’impianto. Si tenga conto che tra le voci di gestione è previsto anche il costo della produzione della biomassa algale nella sezione di coltivazione per avere una valutazione dell’economicità dell’intero processo che prevede sia la fase di coltivazione (cfr, Figura 13) che quella di estrazione (cfr. Figura 14). Il tool, quindi, permette di ottenere un prospetto dei costi di investimento (che vanno a sommarsi a quelli già visti per la sezione di coltivazione) e dei costi di gestione (che invece sono indicativi di tutte e due le fasi) mostrato in Figura 16.

Figura 14. Schema grafico dell’analisi economica effettuabile col tool sviluppato nel caso di commercializzazione dei lipidi algali.

In seguito, sfruttando un approccio del tutto simile a quello già descritto per la sezione di coltivazione, viene specificato dall’utente un tempo di ritorno desiderato per l’investimento e si calcola il prezzo di vendita unitario dell’olio algale che lo garantisce. Cliccando poi sul collegamento ipertestuale è possibile fare un confronto del valore ottenuto con quelli attualmente proposti sul mercato per l’olio algale. Questo consente la valutazione anche della competitività del processo. I risultati ottenuti utilizzando questo tool per valutare le potenzialità economiche del ceppo sardo saranno discussi nel merito nel rapporto tecnico relativo al WP-7.

Costi di investimento sezione estrazione olio Costi variabili unitari annuali (per Litro d'olio)

Costo Valore Costo Valore (€/L/anno)

Mulino a sfere € 12'150 Biomassa algale 45.5

Estrattore CO2 supercritica € 145'798 Acqua di processo 0.0

Raffinazione olio € 17'535 Elettricità 1.3

Sistema di controllo € 17'548 Reagenti 0.0

Infrastruttura € 36'449 CO2 0.4

Totale estrazione olio € 229'480 Smaltimento acque 0.0

Personale non qualificato 3.9

Personale qualificato 0.3

Costi fissi e variabili di gestione (per anno) Ammort/Manutenz/assic/interes 6.2

Costo Valore Totale unitari 57.5

Biomassa algale € 186'948

Acqua di processo € 1 Risultati Economici

Elettricità € 5'180 Dati Economici Valore

Reagenti € 1 Ricavi totali € 256'522

CO2 € 1'703 Costi totali € 230'170

Smaltimento acque € 0 Guadagni totali € 26'352

Personale non qualificato € 15'937 Ricavo / 100€ costi 111

Personale qualificato € 1'118 Prezzo unitario di vendita (€/L) € 62.43

Ammort/Manutenz/assic/interes € 25'543 Costo unitario di produzione € 56.02

Totale variabili € 236'431 Investimento totale € 229'480

Ritorno sugli investimenti (ROI) 20%

Tempo di ritorno (anni) 5.0

Tempo di ritorno desiderato (anni) 5.00

€ 62.43 Check valori di mercato

Mulino a sfere

5%

Estrattore CO2 supercriti

ca 63%

Raffinazio ne olio

8%

Sistema di controllo

8%

Infrastrut tura 16%

Incidenze sui costi di investimento

Biomassa algale

79%

Elettricità 2%

Personale non qualificato

7%

Personale qualificato

0%

Ammort/

Manutenz /assic/inte

res 11%

Incidenze sui costi di unitari

Calcolo prezzo di vendita olio

2/25

WP-6.5. Sviluppare tools informatici per la simulazione, l’ottimizzazione e il controllo dei fotobioreattori investigati

L’attività di sviluppo condotta nell’ambito del WP6 si è articolata in due sezioni: la prima riguardante i codici per la simulazione del modello e la seconda riguardante la realizzazione dei tool Excel per le analisi tecno-economiche. La prima sezione è consistita nella scrittura, debugging e ottimizzazione dei codici di calcolo. Laddove necessario questi sono poi stati riscritto utilizzando librerie numeriche open source per l’implementazione di routines di risoluzione dei sistemi di ODEs, degli integrali e dei fitting dei dati sperimentali sui cluster di calcolo. A questa attività è seguita quella di elaborazione degli scripts di shell e di bash per la sottomissione dei codici sul cluster di calcolo del CRS4. È seguito il test del codice sulle macchine del cluster al fine di verificare l’incremento della velocità e l’attendibilità dei risultati ottenuti. Il codice di calcolo utilizzato per effettuare le simulazioni del modello sarà allegato alla presente. Ovviamente non essendo stata effettuata la realizzazione dell’interfaccia grafica (attività non prevista in fase di progetto) il codice è utilizzabile solo da un utente esperto di linguaggio fortran.

Per garantire però la possibilità di fare simulazioni tecnico-economiche anche ad utenti non esperti di modellistica, nell’ambito della seconda sezione sono stati sviluppati dei fogli Excel facilmente accessibili e utilizzabili da tecnici con conoscenze informatiche nella media. Anche questi fogli sono allegati alla presente come già ampiamente ribadito nelle diverse parti del documento

Conclusioni

L’attività modellistica ha consentito di interpretare in maniera attendibile i dati sperimentali

ottenuti nell’ambito del WP-4 e, date le sue capacità predittive, è stato poi utilizzato per

ottenere informazioni utili alla progettazione e all’analisi tecno-economica dell’impianto di

produzione operante su più larga scala. L’analisi tecnico-economica, effettuata con sistemi

di facile utilizzo anche da utenti con livelli medi di competenze informatiche permette di fare

e valutazioni di merito sulla potenziale redditività del processo di produzione dei lipidi a

partire dalla coltivazione del ceppo algale sardo. Tali valutazioni saranno meglio discusse

nel rapporto tecnico relativo al WP-7.

3/25

Bibliografia

A. Concas, V. Malavasi, C. Costelli, P. Fadda, M. Pisu, and G. Cao, “Autotrophic growth and lipid production of Chlorella sorokiniana in lab batch and BIOCOIL photobioreactors: Experiments and modeling,” Bioresource Technolpgies, vol. 211, pp. 327–338, 2016.

A. Concas, M. Pisu, and G. Cao, “Disruption of microalgal cells for lipid extraction through Fenton reaction: Modeling of experiments and remarks on its effect on lipids composition,” Chemical Engineering Journal , vol. 263, pp. 392–401, Mar. 2015.

E. Grima Molina, F Garcia Camacho, JA Sánchez Pérez, FG Acién Fernández, and JM Fernández Sevilla. "Evaluation of photosynthetic efficiency in microalgal cultures using averaged irradiance."

Enzyme and microbial technology 21, no. 5 (1997): 375-381.

S. Soru, V. Malavasi, A. Concas, P. Caboni, and G. Cao, "A novel investigation of the growth and lipid production of the extremophile microalga Coccomyxa melkonianii SCCA 048 under the effect of different cultivation conditions: Experiments and modeling," Chemical Engineering Journal, vol.

377, 120589, 2019a.

J. M. Coulson, and R. K. Sinnott. "Coulson & Richardson 0 s Chemical Engineering: Chemical Engineering Design (Chemical Engineering Vol. 6 by RK Sinnot)." (2005).

S. Soru, V. Malavasi, A. Concas, P. Caboni, and G. Cao, “Effect of nitrogen starvation and pH variation on the cultivation of the extremophile microalga Coccomyxa melkonianii SCCA 048.,”

Chemical Engineering Transactions., vol. 76, In press, 2019.

S. Soru, V. Malavasi, P. Caboni, A. Concas, and G. Cao, “Behavior of the extremophile green alga Coccomyxa melkonianii SCCA 048 in terms of lipids production and morphology at different pH values,” Extremophiles, vol. 23, no. 1, pp. 79–89, 2019b.

4/25

Il sottoscritto ______________________________________ in qualità di Responsabile scientifico del progetto Cluster Top Down

Timbro e Firma_________________________________ Data __________________________